ABOUT THE SPEAKER
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.

More profile about the speaker
Jeremy Howard | Speaker | TED.com
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

Filmed:
2,532,971 views

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。
- Data scientist
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コンピューター to do something new新しい,
0
880
4013
これまではコンピューターに
何かさせようと思ったら
00:16
you would have to programプログラム it.
1
4893
1554
プログラムを書く
必要がありました
00:18
Now, programmingプログラミング, for those of you here
that haven't持っていない done完了 it yourselfあなた自身,
2
6447
3411
プログラミングはやったことが
ないかもしれませんが
00:21
requires要求する laying敷設 out in excruciating悲惨な detail詳細
3
9858
3502
やりたいことを
実現するために
00:25
everyすべて singleシングル stepステップ that you want
the computerコンピューター to do
4
13360
3367
コンピューターが
行うべきことを
00:28
in order注文 to achieve達成する your goalゴール.
5
16727
2362
事細かに指定してやる
必要があります
00:31
Now, if you want to do something
that you don't know how to do yourselfあなた自身,
6
19089
3496
だから実現したいことの
具体的なやり方を知らずに
00:34
then this is going
to be a great challengeチャレンジ.
7
22585
2063
プログラムを書くというのは
難しい話です
00:36
So this was the challengeチャレンジ faced直面する
by this man, Arthurアーサー Samuelサミュエル.
8
24648
3483
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
00:40
In 1956, he wanted to get this computerコンピューター
9
28131
4077
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
00:44
to be ableできる to beatビート him at checkersチェッカーズ.
10
32208
2340
作りたいと思いました
00:46
How can you write書きます a programプログラム,
11
34548
2040
しかしどうしたら
自分より上手く
00:48
lay寝る out in excruciating悲惨な detail詳細,
how to be better than you at checkersチェッカーズ?
12
36588
3806
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?
00:52
So he came来た up with an ideaアイディア:
13
40394
1722
彼は良い方法を
思いつきました
00:54
he had the computerコンピューター play遊びます
againstに対して itself自体 thousands of times
14
42116
3724
コンピュータ自身を相手に
何千回も
00:57
and learn学ぶ how to play遊びます checkersチェッカーズ.
15
45840
2524
チェッカーの対局をさせて
自分で学ばせるんです
01:00
And indeed確かに it worked働いた,
and in fact事実, by 1962,
16
48364
3180
これはうまくいきました
そのプログラムは実際
01:03
this computerコンピューター had beaten殴られた
the Connecticutコネチカット州 state状態 championチャンピオン.
17
51544
4017
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
01:07
So Arthurアーサー Samuelサミュエル was
the fatherお父さん of machine機械 learning学習,
18
55561
2973
だからアーサー・サミュエルは
機械学習の父とも言え
01:10
and I have a great debt債務 to him,
19
58534
1717
私自身 彼に
多くを負っています
01:12
because I am a machine機械
learning学習 practitioner開業医.
20
60251
2763
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
01:15
I was the president大統領 of Kaggleカグル,
21
63014
1465
私が代表を務めていた
01:16
a communityコミュニティ of over 200,000
machine機械 learning学習 practictioners実践者.
22
64479
3388
Keggleには20万人以上の
機械学習専門家が属しています
01:19
Kaggleカグル puts置く up competitions競技
23
67867
2058
Keggleでは
01:21
to try and get them to solve解決する
previously前に unsolved未解決 problems問題,
24
69925
3708
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
01:25
and it's been successful成功した
hundreds数百 of times.
25
73633
3837
何百回となく
成功を収めています
01:29
So from this vantage有利 pointポイント,
I was ableできる to find out
26
77470
2470
そのような立場から
機械学習には かつて何ができ
01:31
a lot about what machine機械 learning学習
can do in the past過去, can do today今日,
27
79940
3950
今何ができて
将来何ができるようになるか
01:35
and what it could do in the future未来.
28
83890
2362
多くのことを
学ぶことができました
01:38
Perhapsおそらく the first big大きい success成功 of
machine機械 learning学習 commercially商業的 was GoogleGoogle.
29
86252
4423
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
01:42
GoogleGoogle showed示した that it is
possible可能 to find information情報
30
90675
3109
Googleは
機械学習を使った
01:45
by usingを使用して a computerコンピューター algorithmアルゴリズム,
31
93784
1752
アルゴリズムによって
01:47
and this algorithmアルゴリズム is basedベース
on machine機械 learning学習.
32
95536
2901
情報を見つけられることを
示しました
01:50
Since以来 that time, there have been manyたくさんの
commercial商業の successes成功 of machine機械 learning学習.
33
98437
3886
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
01:54
Companies会社 like Amazonアマゾン and NetflixNetflix
34
102323
1837
AmazonやNetflixのような企業は
01:56
use machine機械 learning学習 to suggest提案する
products製品 that you mightかもしれない like to buy購入,
35
104160
3716
機械学習を使って
ユーザーが買いたいであろう商品や
01:59
movies映画 that you mightかもしれない like to watch.
36
107876
2020
見たいであろう映画を
提示していて
02:01
Sometimes時々, it's almostほぼ creepy気味悪い.
37
109896
1807
その精度は
時に不気味なくらいです
02:03
Companies会社 like LinkedInLinkedIn and Facebookフェイスブック
38
111703
1954
LinkedInやFacebookは
02:05
sometimes時々 will tell you about
who your friends友達 mightかもしれない be
39
113657
2594
知り合いかもしれない人を示唆し
なぜ分かったのか
02:08
and you have no ideaアイディア how it did it,
40
116251
1977
当人には
見当も付きませんが
02:10
and this is because it's usingを使用して
the powerパワー of machine機械 learning学習.
41
118228
2967
これも機械学習の力を
使っているのです
02:13
These are algorithmsアルゴリズム that have
learned学んだ how to do this from dataデータ
42
121195
2957
手順が事細かに
プログラミングされているのではなく
02:16
ratherむしろ than beingであること programmedプログラムされた by handハンド.
43
124152
3247
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
02:19
This is alsoまた、 how IBMIBM was successful成功した
44
127399
2478
IBMのワトソンが
ジェパディの世界チャンピオン
02:21
in getting取得 Watsonワトソン to beatビート
the two world世界 championsチャンピオン at "Jeopardyジアパディー,"
45
129877
3862
2人を破ったのも
そのような方法によってで
02:25
answering答える incredibly信じられないほど subtle微妙
and complex複合体 questions質問 like this one.
46
133739
3225
ご覧のような複雑な問いに
答えることができました
02:28
["The ancient古代 'Lion'ライオン of Nimrud'Nimrud ' went行った missing行方不明
from this city's都市の national全国 museum博物館 in 2003
(along一緒に with a lot of other stuffもの)"]
47
136964
2835
[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]
02:31
This is alsoまた、 why we are now ableできる
to see the first self-driving自己運転 cars.
48
139799
3235
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
02:35
If you want to be ableできる to tell
the difference betweenの間に, say,
49
143034
2822
たとえば木と歩行者を
見分けるといったことが
02:37
a tree and a pedestrian歩行者,
well, that's prettyかなり important重要.
50
145856
2632
できる必要があります
02:40
We don't know how to write書きます
those programsプログラム by handハンド,
51
148488
2587
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
02:43
but with machine機械 learning学習,
this is now possible可能.
52
151075
2997
分かりませんが
機械学習で可能になったのです
02:46
And in fact事実, this car has driven駆動される
over a million百万 milesマイル
53
154072
2608
事実この車は
事故を起こすこともなく
02:48
withoutなし any accidents事故 on regular定期的 roads道路.
54
156680
3506
普通の公道を
何百万キロも走行しています
02:52
So we now know that computersコンピュータ can learn学ぶ,
55
160196
3914
コンピューターは
単に学べるだけでなく
02:56
and computersコンピュータ can learn学ぶ to do things
56
164110
1900
どうしたらできるのか
02:58
that we actually実際に sometimes時々
don't know how to do ourselves自分自身,
57
166010
2838
分からないようなことも
学ぶことができ
03:00
or maybe can do them better than us.
58
168848
2885
人間よりも上手くなることも
あり得るのです
03:03
One of the most最も amazing素晴らしい examples
I've seen見た of machine機械 learning学習
59
171733
4195
機械学習で最も目覚ましい
事例の1つは
03:07
happened起こった on a projectプロジェクト that I ran走った at Kaggleカグル
60
175928
2392
私がKeggleで主催した
プロジェクトで
03:10
where a teamチーム run走る by a guy
calledと呼ばれる Geoffreyジェフリー Hintonヒントン
61
178320
3591
ジェフリー・ヒントン率いる
03:13
from the University大学 of Torontoトロント
62
181911
1552
トロント大のチームが
03:15
won勝った a competitionコンペ for
automatic自動 drugドラッグ discovery発見.
63
183463
2677
薬を発見する競技に
優勝した時です
03:18
Now, what was extraordinary特別な here
is not just that they beatビート
64
186140
2847
これがすごいのは
医薬大手のメルク社や
03:20
all of the algorithmsアルゴリズム developed発展した by Merckメルク
or the international国際 academicアカデミック communityコミュニティ,
65
188987
4013
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
03:25
but nobody誰も on the teamチーム had any backgroundバックグラウンド
in chemistry化学 or biology生物学 or life sciences科学,
66
193000
5061
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
03:30
and they did it in two weeks.
67
198061
2169
しかも たった2週間で
やってのけたのです
03:32
How did they do this?
68
200230
1381
どうして可能だったのか?
03:34
They used an extraordinary特別な algorithmアルゴリズム
calledと呼ばれる deep深い learning学習.
69
202421
2921
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
03:37
So important重要 was this that in fact事実
the success成功 was covered覆われた
70
205342
2949
ことの重大さは 数週間後に
ニューヨークタイムズ紙の
03:40
in The New新しい Yorkヨーク Timesタイムズ in a frontフロント pageページ
article記事 a few少数 weeks later後で.
71
208291
3121
一面で取り上げられたことでも
分かると思います
03:43
This is Geoffreyジェフリー Hintonヒントン
here on the left-hand左手 side.
72
211412
2735
画面の左に出ているのが
ジェフリー・ヒントンです
03:46
Deep深い learning学習 is an algorithmアルゴリズム
inspiredインスピレーションを受けた by how the human人間 brain works作品,
73
214147
4341
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
03:50
and as a result結果 it's an algorithmアルゴリズム
74
218488
1812
何が可能かについて
03:52
whichどの has no theoretical理論的 limitations限界
on what it can do.
75
220300
3841
理論的には限界がありません
03:56
The more dataデータ you give it and the more
computation計算 time you give it,
76
224141
2823
より多くのデータと
処理時間を使うほど
03:58
the better it gets取得.
77
226964
1312
より良い結果が得られます
04:00
The New新しい Yorkヨーク Timesタイムズ alsoまた、
showed示した in this article記事
78
228276
2339
ニューヨークタイムズは
その記事でもう1つ
04:02
another別の extraordinary特別な
result結果 of deep深い learning学習
79
230615
2242
ディープ・ラーニングのすごい事例を
取り上げています
04:04
whichどの I'm going to showショー you now.
80
232857
2712
それをこれからお見せしましょう
04:07
It showsショー that computersコンピュータ
can listen and understandわかる.
81
235569
4941
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
04:12
(Videoビデオ) Richardリチャード Rashidラシッド: Now, the last stepステップ
82
240510
2711
(ビデオ) このプロセスの
最後に加えたいステップは
04:15
that I want to be ableできる
to take in this processプロセス
83
243221
3025
実際に中国語で
04:18
is to actually実際に speak話す to you in Chinese中国語.
84
246246
4715
話させるということです
04:22
Now the keyキー thing there is,
85
250961
2635
ここで鍵になるのは
04:25
we've私たちは been ableできる to take a large amount
of information情報 from manyたくさんの Chinese中国語 speakersスピーカー
86
253596
5002
中国語話者から得た
膨大な情報を使って
04:30
and produce作物 a text-to-speechテキスト読み上げ systemシステム
87
258598
2530
中国語のテキストを
音声に変える
04:33
that takes Chinese中国語 textテキスト
and converts変換する it into Chinese中国語 language言語,
88
261128
4673
音声合成システムを作り
04:37
and then we've私たちは taken撮影
an hour時間 or so of my own自分の voice音声
89
265801
4128
1時間ほどの
私自身の声のデータを使って
04:41
and we've私たちは used that to modulate変調する
90
269929
1891
そのシステムを調整し
04:43
the standard標準 text-to-speechテキスト読み上げ systemシステム
so that it would sound like me.
91
271820
4544
まるで私が話しているかのようにする
ということです
04:48
Again, the result's結果 not perfect完璧な.
92
276364
2540
まだ完璧なものではありません
04:50
There are in fact事実 quiteかなり a few少数 errorsエラー.
93
278904
2648
たくさんミスをします
04:53
(In Chinese中国語)
94
281552
2484
(音声合成された中国語訳)
04:56
(Applause拍手)
95
284036
3367
(拍手)
05:01
There's much work to be done完了 in this areaエリア.
96
289446
3576
この領域で為されるべきことは
まだたくさんあります
05:05
(In Chinese中国語)
97
293022
3645
(音声合成された中国語訳)
05:08
(Applause拍手)
98
296667
3433
(拍手)
05:13
Jeremyジェレミー Howardハワード: Well, that was at
a machine機械 learning学習 conference会議 in China中国.
99
301345
3399
これは中国で行われた
カンファレンスでのものですが
05:16
It's not oftenしばしば, actually実際に,
at academicアカデミック conferencesカンファレンス
100
304744
2370
学会で拍手が
沸き起こるというのは
05:19
that you do hear聞く spontaneous自発 applause拍手,
101
307114
1897
あまりないことです
05:21
althoughただし、 of courseコース sometimes時々
at TEDxTEDx conferencesカンファレンス, feel free無料.
102
309011
3676
もっともTEDxは
もっと自由な雰囲気がありますが
05:24
Everything you saw there
was happeningハプニング with deep深い learning学習.
103
312687
2795
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
05:27
(Applause拍手) Thank you.
104
315482
1525
(拍手) どうも
05:29
The transcription転写 in English英語
was deep深い learning学習.
105
317007
2282
英語の文字起こしも
ディープ・ラーニングだし
05:31
The translation翻訳 to Chinese中国語 and the textテキスト
in the top right, deep深い learning学習,
106
319289
3412
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
05:34
and the construction建設 of the voice音声
was deep深い learning学習 as well.
107
322701
3307
音声の合成にも
ディープ・ラーニングが使われています
05:38
So deep深い learning学習 is
this extraordinary特別な thing.
108
326008
3234
ディープ・ラーニングは
このようにすごいものです
05:41
It's a singleシングル algorithmアルゴリズム that
can seem思われる to do almostほぼ anything,
109
329242
3099
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
05:44
and I discovered発見された that a year earlier先に,
it had alsoまた、 learned学んだ to see.
110
332341
3111
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
05:47
In this obscureあいまいな competitionコンペ from Germanyドイツ
111
335452
2176
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
05:49
calledと呼ばれる the Germanドイツ人 Trafficトラフィック Sign符号
Recognition認識 Benchmark基準,
112
337628
2597
05:52
deep深い learning学習 had learned学んだ
to recognize認識する trafficトラフィック signs兆候 like this one.
113
340225
3393
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
05:55
Not only could it
recognize認識する the trafficトラフィック signs兆候
114
343618
2094
他のアルゴリズムよりも
05:57
better than any other algorithmアルゴリズム,
115
345712
1758
上手く識別できた
というだけでなく
05:59
the leaderboardリーダーボード actually実際に showed示した
it was better than people,
116
347470
2719
このスコアボードにある通り
2位の人間より
06:02
about twice二度 as good as people.
117
350189
1852
2倍高い精度で
識別できたんです
06:04
So by 2011, we had the first example
118
352041
1996
2011年には
コンピューターが人よりも
06:06
of computersコンピュータ that can see
better than people.
119
354037
3405
良く見ることができる事例が
生まれたわけです
06:09
Since以来 that time, a lot has happened起こった.
120
357442
2049
それ以来いろんなことが
起きています
06:11
In 2012, GoogleGoogle announced発表 that
they had a deep深い learning学習 algorithmアルゴリズム
121
359491
3514
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
06:15
watch YouTubeYouTube videosビデオ
122
363005
1415
YouTubeビデオを見て
06:16
and crunched鋭い the dataデータ
on 16,000 computersコンピュータ for a month,
123
364420
3437
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
06:19
and the computerコンピューター independently独立して learned学んだ
about conceptsコンセプト suchそのような as people and cats
124
367857
4361
コンピューターが「人」や
「猫」といった概念を
06:24
just by watching見ている the videosビデオ.
125
372218
1809
自分で学んだということです
06:26
This is much like the way
that humans人間 learn学ぶ.
126
374027
2352
これは人が学習する方法に
近いものです
06:28
Humans人間 don't learn学ぶ
by beingであること told what they see,
127
376379
2740
人は見たものを
教えられて学ぶよりは
06:31
but by learning学習 for themselves自分自身
what these things are.
128
379119
3331
むしろそれが何なのか
自分で学んでいくものです
06:34
Alsoまた、 in 2012, Geoffreyジェフリー Hintonヒントン,
who we saw earlier先に,
129
382450
3369
2012年にはまた
先ほど名前の出たジェフリー・ヒントンが
06:37
won勝った the very popular人気 ImageNetImageNet competitionコンペ,
130
385819
2858
有名なImageNet競技会で
優勝しましたが
06:40
looking to try to figure数字 out
from one and a halfハーフ million百万 imagesイメージ
131
388677
4141
これは150万の画像を
何の写真か
06:44
what they're picturesピクチャー of.
132
392818
1438
判別するというものです
06:46
As of 2014, we're now down
to a six6 percentパーセント errorエラー rateレート
133
394256
3533
2014年の時点で
画像認識の誤り率は
06:49
in image画像 recognition認識.
134
397789
1453
6%までになっています
06:51
This is better than people, again.
135
399242
2026
これも人間より高い精度です
06:53
So machines機械 really are doing
an extraordinarily異常に good jobジョブ of this,
136
401268
3769
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
06:57
and it is now beingであること used in industry業界.
137
405037
2269
商業的にも
利用されています
06:59
For example, GoogleGoogle announced発表 last year
138
407306
3042
たとえばGoogleは
去年フランス国内のすべての番地を
07:02
that they had mappedマップされた everyすべて singleシングル
locationロケーション in Franceフランス in two hours時間,
139
410348
4585
2時間で地図に登録したと
発表しました
07:06
and the way they did it was
that they fed給餌した street通り view見る imagesイメージ
140
414933
3447
その方法は
ストリートビューの画像を
07:10
into a deep深い learning学習 algorithmアルゴリズム
to recognize認識する and read読む street通り numbers数字.
141
418380
4319
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
07:14
Imagine想像する how long
it would have taken撮影 before:
142
422699
2220
かつてなら どれほど時間を
要したか分かりません
07:16
dozens数十 of people, manyたくさんの years.
143
424919
3355
何十人掛かりで
何年もかかったでしょう
07:20
This is alsoまた、 happeningハプニング in China中国.
144
428274
1911
こちらは中国の
Baiduによるもので
07:22
Baidu百二 is kind種類 of
the Chinese中国語 GoogleGoogle, I guess推測,
145
430185
4036
中国版のGoogle
のようなサービスです
07:26
and what you see here in the top left
146
434221
2283
左上の画像は
07:28
is an example of a picture画像 that I uploadedアップロードされた
to Baidu'sBaidu's deep深い learning学習 systemシステム,
147
436504
3974
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
07:32
and underneath下の you can see that the systemシステム
has understood理解された what that picture画像 is
148
440478
3769
下に並んでいるのは
システムがその画像を理解して
07:36
and found見つけた similar類似 imagesイメージ.
149
444247
2236
似た画像を集めた結果です
07:38
The similar類似 imagesイメージ actually実際に
have similar類似 backgrounds背景,
150
446483
2736
類似画像は
似たような背景や
07:41
similar類似 directions行き方 of the faces,
151
449219
1658
似た顔の向きを持ち
07:42
even some with their彼らの tongue out.
152
450877
1788
同じく舌を出してる
ものまであります
07:44
This is not clearlyはっきりと looking
at the textテキスト of a webウェブ pageページ.
153
452665
3030
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
07:47
All I uploadedアップロードされた was an image画像.
154
455695
1412
アップしたのは
画像だけです
07:49
So we now have computersコンピュータ whichどの
really understandわかる what they see
155
457107
4021
今やコンピュータは
見た物を理解して
07:53
and can thereforeしたがって、 searchサーチ databasesデータベース
156
461128
1624
何億という画像の
データベースから
07:54
of hundreds数百 of millions何百万
of imagesイメージ in realリアル time.
157
462752
3554
リアルタイムで検索できるまでに
なっているのです
07:58
So what does it mean
now that computersコンピュータ can see?
158
466306
3230
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?
08:01
Well, it's not just
that computersコンピュータ can see.
159
469536
2017
しかしできるのは
見ることだけではありません
08:03
In fact事実, deep深い learning学習
has done完了 more than that.
160
471553
2069
ディープ・ラーニングには
それ以上のことができます
08:05
Complexコンプレックス, nuanced微妙 sentences文章 like this one
161
473622
2948
このような複雑で
ニュアンスに富んだ文章を
08:08
are now understandable理解できる
with deep深い learning学習 algorithmsアルゴリズム.
162
476570
2824
ディープ・ラーニング・アルゴリズムは
理解できます
08:11
As you can see here,
163
479394
1303
ご覧いただいているのは
08:12
this Stanford-basedスタンフォードベース systemシステム
showing表示 the red dotドット at the top
164
480697
2768
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
08:15
has figured思った out that this sentence
is expressing表現する negative sentiment感情.
165
483465
3919
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
08:19
Deep深い learning学習 now in fact事実
is near近く human人間 performanceパフォーマンス
166
487384
3406
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
08:22
at understanding理解 what sentences文章 are about
and what it is saying言って about those things.
167
490802
5121
人間に近い精度で
理解できるようになっているのです
08:27
Alsoまた、, deep深い learning学習 has
been used to read読む Chinese中国語,
168
495923
2728
ディープ・ラーニングは
中国語を読むのにも使われ
08:30
again at about nativeネイティブ
Chinese中国語 speakerスピーカー levelレベル.
169
498651
3156
中国語のネイティブ話者並の
精度があります
08:33
This algorithmアルゴリズム developed発展した
out of Switzerlandスイス
170
501807
2168
これを開発したのは
スイスのチームですが
08:35
by people, noneなし of whom speak話す
or understandわかる any Chinese中国語.
171
503975
3356
その中に中国語の分かる人は
いなかったそうです
08:39
As I say, usingを使用して deep深い learning学習
172
507331
2051
ディープ・ラーニングは
これに関して
08:41
is about the bestベスト systemシステム
in the world世界 for this,
173
509382
2219
ネイティブの人間にも劣らない
08:43
even compared比較した to nativeネイティブ
human人間 understanding理解.
174
511601
5117
最も優れたシステムなのです
これは私の会社で
構築したシステムで
08:48
This is a systemシステム that we
put together一緒に at my company会社
175
516718
2964
08:51
whichどの showsショー puttingパッティング
all this stuffもの together一緒に.
176
519682
2046
すべてを組み合わせたものです
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ピクチャー whichどの
have no textテキスト attached添付された,
177
521728
2461
ユーザーが文をタイプすると
08:56
and as I'm typingタイピング in here sentences文章,
178
524189
2352
08:58
in realリアル time it's understanding理解
these picturesピクチャー
179
526541
2969
リアルタイムで画像を理解し
09:01
and figuring想像する out what they're about
180
529510
1679
何の画像かを判別して
09:03
and finding所見 picturesピクチャー that are similar類似
to the textテキスト that I'm writing書き込み.
181
531189
3163
書き込まれた文に近い画像を
見つけます
09:06
So you can see, it's actually実際に
understanding理解 my sentences文章
182
534352
2756
だから私の書いた文と
これらの画像を
09:09
and actually実際に understanding理解 these picturesピクチャー.
183
537108
2224
同時に理解しているわけです
09:11
I know that you've seen見た
something like this on GoogleGoogle,
184
539332
2559
Googleのサイトで
似たものを見たことがあるでしょう
09:13
where you can typeタイプ in things
and it will showショー you picturesピクチャー,
185
541891
2775
何かタイプすると
画像が表示されますが
09:16
but actually実際に what it's doing is it's
searching検索 the webpageウェブページ for the textテキスト.
186
544666
3424
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
09:20
This is very different異なる from actually実際に
understanding理解 the imagesイメージ.
187
548090
3001
画像を理解するというのとは
ずいぶん違うことです
09:23
This is something that computersコンピュータ
have only been ableできる to do
188
551091
2752
このようなことが
できるようになったのは
09:25
for the first time in the last few少数 months数ヶ月.
189
553843
3248
ほんのここ数ヶ月のことです
09:29
So we can see now that computersコンピュータ
can not only see but they can alsoまた、 read読む,
190
557091
4091
コンピューターには「見る」だけでなく
「読む」こともでき
09:33
and, of courseコース, we've私たちは shown示された that they
can understandわかる what they hear聞く.
191
561182
3765
「聞く」ことによって理解できることも
お見せしました
09:36
Perhapsおそらく not surprising驚くべき now that
I'm going to tell you they can write書きます.
192
564947
3442
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
09:40
Here is some textテキスト that I generated生成された
usingを使用して a deep深い learning学習 algorithmアルゴリズム yesterday昨日.
193
568389
4783
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
09:45
And here is some textテキスト that an algorithmアルゴリズム
out of Stanfordスタンフォード generated生成された.
194
573172
3924
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
09:49
Each of these sentences文章 was generated生成された
195
577096
1764
それぞれの画像を
説明する文が
09:50
by a deep深い learning学習 algorithmアルゴリズム
to describe説明する each of those picturesピクチャー.
196
578860
4249
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
09:55
This algorithmアルゴリズム before has never seen見た
a man in a black shirtシャツ playing遊ぶ a guitarギター.
197
583109
4472
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
09:59
It's seen見た a man before,
it's seen見た black before,
198
587581
2220
「男」を見たことはあり
「黒い」ものを見たことはあり
10:01
it's seen見た a guitarギター before,
199
589801
1599
「ギター」を見たことはありますが
10:03
but it has independently独立して generated生成された
this novel小説 description説明 of this picture画像.
200
591400
4294
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
10:07
We're still not quiteかなり at human人間
performanceパフォーマンス here, but we're close閉じる.
201
595694
3502
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
10:11
In testsテスト, humans人間 prefer好む
the computer-generatedコンピュータ生成 captionキャプション
202
599196
4068
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 —
10:15
one out of four4つの times.
203
603264
1527
という結果になっています
10:16
Now this systemシステム is now only two weeks old古い,
204
604791
2064
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
10:18
so probably多分 within以内 the next year,
205
606855
1846
このまま行くと
たぶん来年中には
10:20
the computerコンピューター algorithmアルゴリズム will be
well past過去 human人間 performanceパフォーマンス
206
608701
2801
コンピューターアルゴリズムの成績が
10:23
at the rateレート things are going.
207
611502
1862
人間を上回るのではと思います
10:25
So computersコンピュータ can alsoまた、 write書きます.
208
613364
3049
だからコンピューターは
書くこともできるのです
10:28
So we put all this together一緒に and it leadsリード
to very excitingエキサイティング opportunities機会.
209
616413
3475
これらをまとめたら
非常に興味深い可能性が開けます
10:31
For example, in medicine医学,
210
619888
1492
たとえば医療です
10:33
a teamチーム in Bostonボストン announced発表
that they had discovered発見された
211
621380
2525
あるボストンのチームは
コンピューターによって
10:35
dozens数十 of new新しい clinically臨床的に relevant関連する features特徴
212
623905
2949
医師が がんの診断を
する上で役に立つ
10:38
of tumors腫瘍 whichどの help doctors医師
make a prognosis予後 of a cancer.
213
626854
4266
何十という腫瘍の特徴を発見したと
発表しました
10:44
Very similarly同様に, in Stanfordスタンフォード,
214
632220
2296
同様にスタンフォードのグループは
10:46
a groupグループ there announced発表 that,
looking at tissues組織 under magnification倍率,
215
634516
3663
組織の拡大画像を見て
10:50
they've彼らは developed発展した
a machine機械 learning-based学習ベース systemシステム
216
638179
2381
がん患者の生存率を
10:52
whichどの in fact事実 is better
than human人間 pathologists病理学者
217
640560
2582
人間の病理医よりも
正確に予想する
10:55
at predicting予測する survival生存 rates料金
for cancer sufferers苦しむ人.
218
643142
4377
機械学習システムを
開発しました
10:59
In bothどちらも of these cases症例, not only
were the predictions予測 more accurate正確,
219
647519
3245
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
11:02
but they generated生成された new新しい insightful洞察力のある science科学.
220
650764
2502
新たな科学的洞察を
もたらしています
11:05
In the radiology放射線学 case場合,
221
653276
1505
放射線医学のケースでは
11:06
they were new新しい clinical臨床的 indicators指標
that humans人間 can understandわかる.
222
654781
3095
人間に理解できる
新しい臨床的な指標です
11:09
In this pathology病理 case場合,
223
657876
1792
病理学のケースでは
11:11
the computerコンピューター systemシステム actually実際に discovered発見された
that the cells細胞 around the cancer
224
659668
4500
診断において
がん細胞だけでなく
11:16
are as important重要 as
the cancer cells細胞 themselves自分自身
225
664168
3340
がんの周囲の細胞も
重要であることを
11:19
in making作る a diagnosis診断.
226
667508
1752
発見しました
11:21
This is the opposite反対の of what pathologists病理学者
had been taught教えた for decades数十年.
227
669260
5361
これは病理医が
何十年も教わってきたのとは逆です
11:26
In each of those two cases症例,
they were systemsシステム developed発展した
228
674621
3292
どちらのケースでも
システムは
11:29
by a combination組み合わせ of medical医療 experts専門家
and machine機械 learning学習 experts専門家,
229
677913
3621
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
11:33
but as of last year,
we're now beyond超えて that too.
230
681534
2741
去年我々はこの面をも
乗り越えました
11:36
This is an example of
identifying識別 cancerous癌性の areasエリア
231
684275
3549
これは顕微鏡で見た
人の組織から
11:39
of human人間 tissue組織 under a microscope顕微鏡.
232
687824
2530
がんの領域を
識別する例です
11:42
The systemシステム beingであること shown示された here
can identify識別する those areasエリア more accurately正確に,
233
690354
4613
このシステムは
人間の病理医と同じか
11:46
or about as accurately正確に,
as human人間 pathologists病理学者,
234
694967
2775
それ以上の精度で
がん領域を識別できますが
11:49
but was built建てられた entirely完全に with deep深い learning学習
usingを使用して no medical医療 expertise専門知識
235
697742
3392
医療の知識や経験のない
チームによって
11:53
by people who have
no backgroundバックグラウンド in the fieldフィールド.
236
701134
2526
ディープ・ラーニングを使って
開発されました
11:56
Similarly同様に, here, this neuronニューロン segmentationセグメンテーション.
237
704730
2555
同様に これは
ニューロンの区分けです
11:59
We can now segmentセグメント neuronsニューロン
about as accurately正確に as humans人間 can,
238
707285
3668
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
12:02
but this systemシステム was developed発展した
with deep深い learning学習
239
710953
2717
このシステムは医学を
学んだことのない人々が
12:05
usingを使用して people with no previous
backgroundバックグラウンド in medicine医学.
240
713670
3251
ディープ・ラーニングを使って
開発しました
12:08
So myself私自身, as somebody誰か with
no previous backgroundバックグラウンド in medicine医学,
241
716921
3227
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
12:12
I seem思われる to be entirely完全に well qualified修飾された
to start開始 a new新しい medical医療 company会社,
242
720148
3727
もはや変なことではないと思え
12:15
whichどの I did.
243
723875
2146
実際に会社を作ることにしました
12:18
I was kind種類 of terrified恐ろしい of doing it,
244
726021
1740
そうするのは
怖くもありましたが
12:19
but the theory理論 seemed見えた to suggest提案する
that it oughtすべきだ to be possible可能
245
727761
2889
データ分析技術だけでも
有益な医療サービスは
12:22
to do very useful有用 medicine医学
usingを使用して just these dataデータ analytic分析的 techniques技術.
246
730650
5492
提供可能であると
理論は示しているように見えます
12:28
And thankfullyありがたいことに, the feedbackフィードバック
has been fantastic素晴らしい,
247
736142
2480
ありがたいことに
大変好意的な反応を受け取っており
12:30
not just from the mediaメディア
but from the medical医療 communityコミュニティ,
248
738622
2356
メディアばかりでなく
12:32
who have been very supportive支持的な.
249
740978
2344
医学界の人々も
支持してくれています
12:35
The theory理論 is that we can take
the middle中間 part of the medical医療 processプロセス
250
743322
4149
私たちは医療の
中間部分を受け持って
12:39
and turn順番 that into dataデータ analysis分析
as much as possible可能,
251
747471
2893
そこを可能な限り
データ分析で置き換え
12:42
leaving去る doctors医師 to do
what they're bestベスト at.
252
750364
3065
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
12:45
I want to give you an example.
253
753429
1602
例をお見せしたいと思います
12:47
It now takes us about 15 minutes
to generate生成する a new新しい medical医療 diagnostic診断 testテスト
254
755031
4944
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
12:51
and I'll showショー you that in realリアル time now,
255
759975
1954
それをリアルタイムで
ご覧に入れますが
12:53
but I've compressed圧縮された it down to
three minutes by cutting切断 some pieces作品 out.
256
761929
3487
一部をはしょって
3分に縮めてやります
12:57
Ratherむしろ than showing表示 you
creating作成 a medical医療 diagnostic診断 testテスト,
257
765416
3061
医療診断テストを作って
お見せするよりは
13:00
I'm going to showショー you
a diagnostic診断 testテスト of car imagesイメージ,
258
768477
3369
車の画像を診断するテストを
お見せしようと思います
13:03
because that's something
we can all understandわかる.
259
771846
2222
その方が分かりやすいので
13:06
So here we're starting起動 with
about 1.5 million百万 car imagesイメージ,
260
774068
3201
150万の車の画像から
始めます
13:09
and I want to create作成する something
that can splitスプリット them into the angle角度
261
777269
3206
まず写真を
撮った角度によって
13:12
of the photo写真 that's beingであること taken撮影.
262
780475
2223
分類したいと思います
13:14
So these imagesイメージ are entirely完全に unlabeledラベルなし,
so I have to start開始 from scratchスクラッチ.
263
782698
3888
画像にラベルはまったく付いておらず
一から始めます
13:18
With our deep深い learning学習 algorithmアルゴリズム,
264
786586
1865
ディープ・ラーニング・アルゴリズムを使って
13:20
it can automatically自動的に identify識別する
areasエリア of structure構造 in these imagesイメージ.
265
788451
3707
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
13:24
So the niceいい thing is that the human人間
and the computerコンピューター can now work together一緒に.
266
792158
3620
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
13:27
So the human人間, as you can see here,
267
795778
2178
ご覧のように
13:29
is telling伝える the computerコンピューター
about areasエリア of interest利子
268
797956
2675
人が関心のある領域を
コンピューターに教え
13:32
whichどの it wants the computerコンピューター then
to try and use to improve改善する its algorithmアルゴリズム.
269
800631
4650
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
13:37
Now, these deep深い learning学習 systemsシステム actually実際に
are in 16,000-dimensional次元 spaceスペース,
270
805281
4296
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
13:41
so you can see here the computerコンピューター
rotating回転する this throughを通して that spaceスペース,
271
809577
3432
その空間の中で
軸を回転させて
13:45
trying試す to find new新しい areasエリア of structure構造.
272
813009
1992
新たな構造領域を
見つけようとします
13:47
And when it does so successfully正常に,
273
815001
1781
それが成功したら
13:48
the human人間 who is driving運転 it can then
pointポイント out the areasエリア that are interesting面白い.
274
816782
4004
人間が関心のある領域を
指摘します
13:52
So here, the computerコンピューター has
successfully正常に found見つけた areasエリア,
275
820786
2422
コンピューターがうまく
領域を見つけられました
13:55
for example, anglesアングル.
276
823208
2562
たとえば角度です
13:57
So as we go throughを通して this processプロセス,
277
825770
1606
このプロセスを経ることで
13:59
we're gradually徐々に telling伝える
the computerコンピューター more and more
278
827376
2340
どのような構造を
探しているのか
14:01
about the kinds種類 of structures構造
we're looking for.
279
829716
2428
徐々に伝えていきます
14:04
You can imagine想像する in a diagnostic診断 testテスト
280
832144
1772
これが病気の診断であれば
14:05
this would be a pathologist病理学者 identifying識別
areasエリア of pathosis病変, for example,
281
833916
3350
病理医が病的状態にある領域を
識別するとか
14:09
or a radiologist放射線科医 indicating指示する
potentially潜在的 troublesome面倒な nodules結節.
282
837266
5026
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
14:14
And sometimes時々 it can be
difficult難しい for the algorithmアルゴリズム.
283
842292
2559
時にアルゴリズムには
難しいこともあります
14:16
In this case場合, it got kind種類 of confused混乱した.
284
844851
1964
今の場合
コンピューターが混乱して
14:18
The fronts前線 and the backsバック
of the cars are all mixed混合 up.
285
846815
2550
前部と後部が
ごちゃまぜになっています
14:21
So here we have to be a bitビット more careful慎重に,
286
849365
2072
そのため少し注意して
14:23
manually手動で selecting選択する these fronts前線
as opposed反対 to the backsバック,
287
851437
3232
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
14:26
then telling伝える the computerコンピューター
that this is a typeタイプ of groupグループ
288
854669
5506
そうやって
こんなグループに関心があるのだと
14:32
that we're interested興味がある in.
289
860175
1348
コンピューターに
伝えるのです
14:33
So we do that for a while,
we skipスキップ over a little bitビット,
290
861523
2677
こうやって続けていき
少しはしょりますが
14:36
and then we train列車 the
machine機械 learning学習 algorithmアルゴリズム
291
864200
2246
機械学習アルゴリズムを
改善させるために
14:38
basedベース on these coupleカップル of hundred things,
292
866446
1974
数百の事例を使って
14:40
and we hope希望 that it's gotten得た a lot better.
293
868420
2025
訓練してやります
14:42
You can see, it's now started開始した to fadeフェード
some of these picturesピクチャー out,
294
870445
3073
画像の一部が
薄れていますが
14:45
showing表示 us that it already既に is recognizing認識
how to understandわかる some of these itself自体.
295
873518
4708
これはどう理解すれば良いか
既に認識されたものです
14:50
We can then use this concept概念
of similar類似 imagesイメージ,
296
878226
2902
それから似たイメージという概念を
使ってやることで
14:53
and usingを使用して similar類似 imagesイメージ, you can now see,
297
881128
2094
コンピューターが
車の前部だけを
14:55
the computerコンピューター at this pointポイント is ableできる to
entirely完全に find just the fronts前線 of cars.
298
883222
4019
見つけられるように
なりました
14:59
So at this pointポイント, the human人間
can tell the computerコンピューター,
299
887241
2948
そうなったら
人間がコンピューターに
15:02
okay, yes, you've done完了
a good jobジョブ of that.
300
890189
2293
その点で上手くできていることを
教えてやります
15:05
Sometimes時々, of courseコース, even at this pointポイント
301
893652
2185
もちろんこの期に及んでも
15:07
it's still difficult難しい
to separate別々の out groupsグループ.
302
895837
3674
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
15:11
In this case場合, even after we let the
computerコンピューター try to rotate回転する this for a while,
303
899511
3884
今の場合 コンピューターに
しばらく回転をさせても
15:15
we still find that the left sides両側
and the right sides両側 picturesピクチャー
304
903399
3345
依然として
左側と右側の画像が
15:18
are all mixed混合 up together一緒に.
305
906744
1478
混在しています
15:20
So we can again give
the computerコンピューター some hintsヒント,
306
908222
2140
コンピューターにもう
少しヒントをやり
15:22
and we say, okay, try and find
a projection投影 that separates分離する out
307
910362
2976
右側と左側を可能な限り
分離できる射影を
15:25
the left sides両側 and the right sides両側
as much as possible可能
308
913338
2607
ディープ・ラーニング・
アルゴリズムを使って
15:27
usingを使用して this deep深い learning学習 algorithmアルゴリズム.
309
915945
2122
見つけられるようにします
15:30
And giving与える it that hintヒント --
ahああ, okay, it's been successful成功した.
310
918067
2942
そのヒントを与えることで —
上手くいきました
15:33
It's managed管理された to find a way
of thinking考え about these objectsオブジェクト
311
921009
2882
右側と左側を
見分ける方法を
15:35
that's separated分離された out these together一緒に.
312
923891
2380
どうにか見つけられました
15:38
So you get the ideaアイディア here.
313
926271
2438
基本的な考え方を
分かっていただけたと思います
15:40
This is a case場合 not where the human人間
is beingであること replaced置き換えられた by a computerコンピューター,
314
928709
8197
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 —
15:48
but where they're workingワーキング together一緒に.
315
936906
2640
人とコンピューターが
協力するということです
15:51
What we're doing here is we're replacing置き換える
something that used to take a teamチーム
316
939546
3550
やろうとしているのは
これまでは5、6人のチームで
15:55
of five or six6 people about sevenセブン years
317
943096
2002
何年もかかっていた
ようなことを
15:57
and replacing置き換える it with something
that takes 15 minutes
318
945098
2605
1人で15分ほどで
できるようにする
15:59
for one person acting演技 alone単独で.
319
947703
2505
ということです
16:02
So this processプロセス takes about
four4つの or five iterations反復.
320
950208
3950
このプロセスには
4、5回の反復が必要です
16:06
You can see we now have 62 percentパーセント
321
954158
1859
150万の画像を
62%の精度で
16:08
of our 1.5 million百万 imagesイメージ
classified分類された correctly正しく.
322
956017
2959
分類できるようになりました
16:10
And at this pointポイント, we
can start開始 to quiteかなり quickly早く
323
958976
2472
そうなったら
16:13
grabつかむ whole全体 big大きい sectionsセクション,
324
961448
1297
大きなセクションを選んで
16:14
checkチェック throughを通して them to make sure
that there's no mistakes間違い.
325
962745
2919
誤りがないか
素早くチェックできます
16:17
Where there are mistakes間違い, we can
let the computerコンピューター know about them.
326
965664
3952
誤りがあった場合は
コンピューターに教えてやります
16:21
And usingを使用して this kind種類 of processプロセス
for each of the different異なる groupsグループ,
327
969616
3045
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
16:24
we are now up to
an 80 percentパーセント success成功 rateレート
328
972661
2487
150万の画像を
80%の精度で
16:27
in classifying分類 the 1.5 million百万 imagesイメージ.
329
975148
2415
分類できるようになりました
16:29
And at this pointポイント, it's just a case場合
330
977563
2078
そうしたら
16:31
of finding所見 the small小さい number
that aren'tない classified分類された correctly正しく,
331
979641
3579
正しく分類されなかった
少数のケースについて
16:35
and trying試す to understandわかる why.
332
983220
2888
その理由を考えます
16:38
And usingを使用して that approachアプローチ,
333
986108
1743
このアプローチを
15分やることで
16:39
by 15 minutes we get
to 97 percentパーセント classification分類 rates料金.
334
987851
4121
97%の精度で
分類できるようになりました
16:43
So this kind種類 of technique技術
could allow許す us to fix修正する a majorメジャー problem問題,
335
991972
4600
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
16:48
whichどの is that there's a lack欠如
of medical医療 expertise専門知識 in the world世界.
336
996578
3036
世界的な医師不足です
16:51
The World世界 Economic経済 Forumフォーラム says言う
that there's betweenの間に a 10x and a 20x
337
999614
3489
世界経済フォーラムは
発展途上国において
16:55
shortage不足 of physicians医師
in the developing現像 world世界,
338
1003103
2624
医師が今の10倍から20倍必要で
16:57
and it would take about 300 years
339
1005727
2113
それだけの医師を育てるには
16:59
to train列車 enough十分な people
to fix修正する that problem問題.
340
1007840
2894
300年かかると言っています
17:02
So imagine想像する if we can help
enhance強化する their彼らの efficiency効率
341
1010734
2885
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
17:05
usingを使用して these deep深い learning学習 approachesアプローチ?
342
1013619
2839
対処するというのは
どうでしょう?
17:08
So I'm very excited興奮した
about the opportunities機会.
343
1016458
2232
このような機会に
私はワクワクしていますが
17:10
I'm alsoまた、 concerned心配している about the problems問題.
344
1018690
2589
同時に懸念している
こともあります
17:13
The problem問題 here is that
everyすべて areaエリア in blue on this map地図
345
1021279
3124
地図で青になっている国は
17:16
is somewhereどこかで where servicesサービス
are over 80 percentパーセント of employment雇用.
346
1024403
3769
雇用の80%以上が
サービス業のところです
17:20
What are servicesサービス?
347
1028172
1787
サービスとは何か?
17:21
These are servicesサービス.
348
1029959
1514
このようなものです
17:23
These are alsoまた、 the exact正確 things that
computersコンピュータ have just learned学んだ how to do.
349
1031473
4154
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
17:27
So 80 percentパーセント of the world's世界の employment雇用
in the developed発展した world世界
350
1035627
3804
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
17:31
is stuffもの that computersコンピュータ
have just learned学んだ how to do.
351
1039431
2532
成り立っているのです
17:33
What does that mean?
352
1041963
1440
これは何を
意味するのでしょう?
17:35
Well, it'llそれはよ be fine.
They'll彼らは be replaced置き換えられた by other jobsジョブ.
353
1043403
2583
「他の仕事で置き換えられるから
問題ないよ
17:37
For example, there will be
more jobsジョブ for dataデータ scientists科学者.
354
1045986
2707
たとえば
データサイエンティストの仕事とか」
17:40
Well, not really.
355
1048693
817
と思うかもしれませんが
17:41
It doesn't take dataデータ scientists科学者
very long to buildビルドする these things.
356
1049510
3118
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
17:44
For example, these four4つの algorithmsアルゴリズム
were all built建てられた by the same同じ guy.
357
1052628
3252
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
17:47
So if you think, oh,
it's all happened起こった before,
358
1055880
2438
こういうことは
以前にも起き
17:50
we've私たちは seen見た the results結果 in the past過去
of when new新しい things come along一緒に
359
1058318
3808
新しいものが現れては
古い職が新しい職で
17:54
and they get replaced置き換えられた by new新しい jobsジョブ,
360
1062126
2252
置き換えられてきた
と言うなら
17:56
what are these new新しい jobsジョブ going to be?
361
1064378
2116
その新しい職は
どのようなものになるのでしょう?
17:58
It's very hardハード for us to estimate推定 this,
362
1066494
1871
とても難しい問題です
18:00
because human人間 performanceパフォーマンス
grows成長する at this gradual徐々に rateレート,
363
1068365
2739
なぜなら人間の能力は
徐々にしか向上しませんが
18:03
but we now have a systemシステム, deep深い learning学習,
364
1071104
2562
ディープ・ラーニング・
システムの能力は
18:05
that we know actually実際に grows成長する
in capability能力 exponentially指数関数的に.
365
1073666
3227
指数関数的に
向上しているからです
18:08
And we're here.
366
1076893
1605
私達がいるのは
追い抜かれる一歩手前です
18:10
So currently現在, we see the things around us
367
1078498
2061
今は周りを見渡して
18:12
and we say, "Oh, computersコンピュータ
are still prettyかなり dumbダム." Right?
368
1080559
2676
「コンピューターはまだ馬鹿だ」
と思っていても
18:15
But in five years' time,
computersコンピュータ will be off this chartチャート.
369
1083235
3429
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
18:18
So we need to be starting起動 to think
about this capability能力 right now.
370
1086664
3865
私たちは今この能力について
考える必要があるのです
18:22
We have seen見た this once一度 before, of courseコース.
371
1090529
2050
前にも似たことは
経験しています
18:24
In the Industrial産業 Revolution革命,
372
1092579
1387
産業革命です
18:25
we saw a stepステップ change変化する
in capability能力 thanksありがとう to enginesエンジン.
373
1093966
2851
エンジンの出現による
能力の急激な変化がありました
18:29
The thing is, thoughしかし,
that after a while, things flattened平らにされた out.
374
1097667
3138
しかししばらくすると
物事はまた落ち着きました
18:32
There was socialソーシャル disruption混乱,
375
1100805
1702
社会的な変動はありましたが
18:34
but once一度 enginesエンジン were used
to generate生成する powerパワー in all the situations状況,
376
1102507
3439
あらゆる場面でエンジンが
使われるようになると
18:37
things really settled落ち着いた down.
377
1105946
2354
状況は安定したのです
18:40
The Machine機械 Learning学習 Revolution革命
378
1108300
1473
機械学習の革命は
18:41
is going to be very different異なる
from the Industrial産業 Revolution革命,
379
1109773
2909
産業革命とは
全然違うものになるでしょう
18:44
because the Machine機械 Learning学習 Revolution革命,
it never settles落ち着く down.
380
1112682
2950
機械学習の革命は
留まることがないからです
18:47
The better computersコンピュータ get
at intellectual知的 activitiesアクティビティ,
381
1115632
2982
より優れたコンピューターが
知的活動を受け持ち
18:50
the more they can buildビルドする better computersコンピュータ
to be better at intellectual知的 capabilities能力,
382
1118614
4248
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
18:54
so this is going to be a kind種類 of change変化する
383
1122862
1908
世界がかつて
経験したことのないような
18:56
that the world世界 has actually実際に
never experienced経験豊富な before,
384
1124770
2478
変化を起こすことに
なるでしょう
18:59
so your previous understanding理解
of what's possible可能 is different異なる.
385
1127248
3306
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
19:02
This is already既に impacting影響を与える us.
386
1130974
1780
この影響は既に現れています
19:04
In the last 25 years,
as capital資本 productivity生産性 has increased増加した,
387
1132754
3630
過去25年で
資本生産性は増大しましたが
19:08
labor労働 productivity生産性 has been flat平らな,
in fact事実 even a little bitビット down.
388
1136400
4188
労働生産性は平坦で
むしろ少し下がっています
19:13
So I want us to start開始
having持つ this discussion討論 now.
389
1141408
2741
だから この議論を
今始めて欲しいのです
19:16
I know that when I oftenしばしば tell people
about this situation状況,
390
1144149
3027
私がこの状況を
説明しても
19:19
people can be quiteかなり dismissive否定的な.
391
1147176
1490
なかなか真剣に
取り合ってもらえません
19:20
Well, computersコンピュータ can't really think,
392
1148666
1673
「コンピューターには
本当に思考することはできない」
19:22
they don't emote感情,
they don't understandわかる poetry,
393
1150339
3028
「感情がない」
「詩を理解しない」
19:25
we don't really understandわかる how they work.
394
1153367
2521
「我々は腦の働きを本当に理解してはいない」
などなど
19:27
So what?
395
1155888
1486
だったら何でしょう?
19:29
Computersコンピュータ right now can do the things
396
1157374
1804
人間がお金をもらい
時間を費やして
19:31
that humans人間 spend費やす most最も
of their彼らの time beingであること paid支払った to do,
397
1159178
2719
やっていたことが
機械にも可能になっているんです
19:33
so now's the time to start開始 thinking考え
398
1161897
1731
この新たな現実を踏まえて
19:35
about how we're going to adjust調整する our
socialソーシャル structures構造 and economic経済的 structures構造
399
1163628
4387
社会構造や経済構造を
どう調整したら良いか
19:40
to be aware承知して of this new新しい reality現実.
400
1168015
1840
考え始めるべき時です
19:41
Thank you.
401
1169855
1533
ありがとうございました
19:43
(Applause拍手)
402
1171388
802
(拍手)
Translated by Yasushi Aoki
Reviewed by Misaki Sato

▲Back to top

ABOUT THE SPEAKER
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.

More profile about the speaker
Jeremy Howard | Speaker | TED.com