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:
Readability: 4.5
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。
Jeremy Howard - Data scientist
Jeremy Howard imagines how advanced machine learning can improve our lives. Full bio
Jeremy Howard imagines how advanced machine learning can improve our lives. Full bio
Double-click the English transcript below to play the video.
00:12
It used to be that if you wanted
to get a computer to do something new,
to get a computer to do something new,
0
880
4013
これまではコンピューターに
何かさせようと思ったら
何かさせようと思ったら
00:16
you would have to program it.
1
4893
1554
プログラムを書く
必要がありました
必要がありました
00:18
Now, programming, for those of you here
that haven't done it yourself,
that haven't done it yourself,
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
ないかもしれませんが
00:21
requires laying out in excruciating detail
3
9858
3502
やりたいことを
実現するために
実現するために
00:25
every single step that you want
the computer to do
the computer to do
4
13360
3367
コンピューターが
行うべきことを
行うべきことを
00:28
in order to achieve your goal.
5
16727
2362
事細かに指定してやる
必要があります
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,
that you don't know how to do yourself,
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
具体的なやり方を知らずに
00:34
then this is going
to be a great challenge.
to be a great challenge.
7
22585
2063
プログラムを書くというのは
難しい話です
難しい話です
00:36
So this was the challenge faced
by this man, Arthur Samuel.
by this man, Arthur Samuel.
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
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
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
自分に勝てるプログラムを
00:44
to be able to beat him at checkers.
10
32208
2340
作りたいと思いました
00:46
How can you write a program,
11
34548
2040
しかしどうしたら
自分より上手く
自分より上手く
00:48
lay out in excruciating detail,
how to be better than you at checkers?
how to be better than you at checkers?
12
36588
3806
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？
詳細に記述することができるでしょう？
00:52
So he came up with an idea:
13
40394
1722
彼は良い方法を
思いつきました
思いつきました
00:54
he had the computer play
against itself thousands of times
against itself thousands of times
14
42116
3724
コンピュータ自身を相手に
何千回も
何千回も
00:57
and learn how to play checkers.
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
自分で学ばせるんです
01:00
And indeed it worked,
and in fact, by 1962,
and in fact, 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
そのプログラムは実際
01:03
this computer had beaten
the Connecticut state champion.
the Connecticut state champion.
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
破ることができました
01:07
So Arthur Samuel was
the father of machine learning,
the father of machine learning,
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
機械学習の父とも言え
01:10
and I have a great debt to him,
19
58534
1717
私自身 彼に
多くを負っています
多くを負っています
01:12
because I am a machine
learning practitioner.
learning practitioner.
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
生業としているからです
01:15
I was the president of Kaggle,
21
63014
1465
私が代表を務めていた
01:16
a community of over 200,000
machine learning practictioners.
machine learning practictioners.
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
機械学習専門家が属しています
01:19
Kaggle puts up competitions
23
67867
2058
Keggleでは
01:21
to try and get them to solve
previously unsolved problems,
previously unsolved problems,
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
競技会を開催していて
01:25
and it's been successful
hundreds of times.
hundreds of times.
25
73633
3837
何百回となく
成功を収めています
成功を収めています
01:29
So from this vantage point,
I was able to find out
I was able 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
機械学習には かつて何ができ
01:31
a lot about what machine learning
can do in the past, can do today,
can do in the past, can do today,
27
79940
3950
今何ができて
将来何ができるようになるか
将来何ができるようになるか
01:35
and what it could do in the future.
28
83890
2362
多くのことを
学ぶことができました
学ぶことができました
01:38
Perhaps the first big success of
machine learning commercially was Google.
machine learning commercially was Google.
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
最初の例は Googleかもしれません
01:42
Google showed that it is
possible to find information
possible to find information
30
90675
3109
Googleは
機械学習を使った
機械学習を使った
01:45
by using a computer algorithm,
31
93784
1752
アルゴリズムによって
01:47
and this algorithm is based
on machine learning.
on machine learning.
32
95536
2901
情報を見つけられることを
示しました
示しました
01:50
Since that time, there have been many
commercial successes of machine learning.
commercial successes of machine learning.
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
たくさん生まれています
01:54
Companies like Amazon and Netflix
34
102323
1837
AmazonやNetflixのような企業は
01:56
use machine learning to suggest
products that you might like to buy,
products that you might like to buy,
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
ユーザーが買いたいであろう商品や
01:59
movies that you might like to watch.
36
107876
2020
見たいであろう映画を
提示していて
提示していて
02:01
Sometimes, it's almost creepy.
37
109896
1807
その精度は
時に不気味なくらいです
時に不気味なくらいです
02:03
Companies like LinkedIn and Facebook
38
111703
1954
LinkedInやFacebookは
02:05
sometimes will tell you about
who your friends might be
who your friends might 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
なぜ分かったのか
02:08
and you have no idea how it did it,
40
116251
1977
当人には
見当も付きませんが
見当も付きませんが
02:10
and this is because it's using
the power of machine learning.
the power of machine learning.
41
118228
2967
これも機械学習の力を
使っているのです
使っているのです
02:13
These are algorithms that have
learned how to do this from data
learned how to do this from data
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
プログラミングされているのではなく
02:16
rather than being programmed by hand.
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
アルゴリズムが使われています
02:19
This is also how IBM was successful
44
127399
2478
IBMのワトソンが
ジェパディの世界チャンピオン
ジェパディの世界チャンピオン
02:21
in getting Watson to beat
the two world champions at "Jeopardy,"
the two world champions at "Jeopardy,"
45
129877
3862
２人を破ったのも
そのような方法によってで
そのような方法によってで
02:25
answering incredibly subtle
and complex questions like this one.
and complex questions 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
答えることができました
02:28
["The ancient 'Lion of Nimrud' went missing
from this city's national museum in 2003
(along with a lot of other stuff)"]
from this city's national museum in 2003
(along with a lot of other stuff)"]
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]
“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 why we are now able
to see the first self-driving cars.
to see the first self-driving 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
機械学習のお陰です
02:35
If you want to be able to tell
the difference between, say,
the difference between, 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
見分けるといったことが
02:37
a tree and a pedestrian,
well, that's pretty important.
well, that's pretty important.
50
145856
2632
できる必要があります
02:40
We don't know how to write
those programs by hand,
those programs by hand,
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
どうすれば書けるのか
02:43
but with machine learning,
this is now possible.
this is now possible.
52
151075
2997
分かりませんが
機械学習で可能になったのです
機械学習で可能になったのです
02:46
And in fact, this car has driven
over a million miles
over a million miles
53
154072
2608
事実この車は
事故を起こすこともなく
事故を起こすこともなく
02:48
without any accidents on regular roads.
54
156680
3506
普通の公道を
何百万キロも走行しています
何百万キロも走行しています
02:52
So we now know that computers can learn,
55
160196
3914
コンピューターは
単に学べるだけでなく
単に学べるだけでなく
02:56
and computers can learn to do things
56
164110
1900
どうしたらできるのか
02:58
that we actually sometimes
don't know how to do ourselves,
don't know how to do ourselves,
57
166010
2838
分からないようなことも
学ぶことができ
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
あり得るのです
03:03
One of the most amazing examples
I've seen of machine learning
I've seen of machine learning
59
171733
4195
機械学習で最も目覚ましい
事例の１つは
事例の１つは
03:07
happened on a project that I ran at Kaggle
60
175928
2392
私がKeggleで主催した
プロジェクトで
プロジェクトで
03:10
where a team run by a guy
called Geoffrey Hinton
called Geoffrey Hinton
61
178320
3591
ジェフリー・ヒントン率いる
03:13
from the University of Toronto
62
181911
1552
トロント大のチームが
03:15
won a competition for
automatic drug discovery.
automatic drug discovery.
63
183463
2677
薬を発見する競技に
優勝した時です
優勝した時です
03:18
Now, what was extraordinary here
is not just that they beat
is not just that they beat
64
186140
2847
これがすごいのは
医薬大手のメルク社や
医薬大手のメルク社や
03:20
all of the algorithms developed by Merck
or the international academic community,
or the international academic community,
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
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 on the team had any background
in chemistry or biology or life sciences,
in chemistry or biology or life sciences,
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
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
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 algorithm
called deep learning.
called deep learning.
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
アルゴリズムを使ったのです
03:37
So important was this that in fact
the success was covered
the success was covered
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
ニューヨークタイムズ紙の
03:40
in The New York Times in a front page
article a few weeks later.
article a few weeks later.
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
分かると思います
03:43
This is Geoffrey Hinton
here on the left-hand side.
here on the left-hand 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
ジェフリー・ヒントンです
03:46
Deep learning is an algorithm
inspired by how the human brain works,
inspired by how the human brain works,
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
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 it's an algorithm
74
218488
1812
何が可能かについて
03:52
which has no theoretical limitations
on what it can do.
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 you give it and the more
computation time you give it,
computation 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
処理時間を使うほど
03:58
the better it gets.
77
226964
1312
より良い結果が得られます
04:00
The New York Times also
showed in this article
showed in this article
78
228276
2339
ニューヨークタイムズは
その記事でもう１つ
その記事でもう１つ
04:02
another extraordinary
result of deep learning
result of deep learning
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
取り上げています
04:04
which I'm going to show you now.
80
232857
2712
それをこれからお見せしましょう
04:07
It shows that computers
can listen and understand.
can listen and understand.
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
理解できることを示すものです
04:12
(Video) Richard Rashid: Now, the last step
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
最後に加えたいステップは
04:15
that I want to be able
to take in this process
to take in this process
83
243221
3025
実際に中国語で
04:18
is to actually speak to you in Chinese.
84
246246
4715
話させるということです
04:22
Now the key thing there is,
85
250961
2635
ここで鍵になるのは
04:25
we've been able to take a large amount
of information from many Chinese speakers
of information from many Chinese speakers
86
253596
5002
中国語話者から得た
膨大な情報を使って
膨大な情報を使って
04:30
and produce a text-to-speech system
87
258598
2530
中国語のテキストを
音声に変える
音声に変える
04:33
that takes Chinese text
and converts it into Chinese language,
and converts it into Chinese language,
88
261128
4673
音声合成システムを作り
04:37
and then we've taken
an hour or so of my own voice
an hour or so of my own voice
89
265801
4128
１時間ほどの
私自身の声のデータを使って
私自身の声のデータを使って
04:41
and we've used that to modulate
90
269929
1891
そのシステムを調整し
04:43
the standard text-to-speech system
so that it would sound like me.
so that it would sound like me.
91
271820
4544
まるで私が話しているかのようにする
ということです
ということです
04:48
Again, the result's not perfect.
92
276364
2540
まだ完璧なものではありません
04:50
There are in fact quite a few errors.
93
278904
2648
たくさんミスをします
04:53
(In Chinese)
94
281552
2484
(音声合成された中国語訳)
04:56
(Applause)
95
284036
3367
(拍手)
05:01
There's much work to be done in this area.
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
まだたくさんあります
05:05
(In Chinese)
97
293022
3645
(音声合成された中国語訳)
05:08
(Applause)
98
296667
3433
(拍手)
05:13
Jeremy Howard: Well, that was at
a machine learning conference in China.
a machine learning conference in China.
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
カンファレンスでのものですが
05:16
It's not often, actually,
at academic conferences
at academic conferences
100
304744
2370
学会で拍手が
沸き起こるというのは
沸き起こるというのは
05:19
that you do hear spontaneous applause,
101
307114
1897
あまりないことです
05:21
although of course sometimes
at TEDx conferences, feel free.
at TEDx conferences, feel free.
102
309011
3676
もっともTEDxは
もっと自由な雰囲気がありますが
もっと自由な雰囲気がありますが
05:24
Everything you saw there
was happening with deep learning.
was happening with deep learning.
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
ディープ・ラーニングで実現されました
05:27
(Applause) Thank you.
104
315482
1525
(拍手) どうも
05:29
The transcription in English
was deep learning.
was deep learning.
105
317007
2282
英語の文字起こしも
ディープ・ラーニングだし
ディープ・ラーニングだし
05:31
The translation to Chinese and the text
in the top right, deep learning,
in the top right, deep learning,
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
ディープ・ラーニングによるもので
05:34
and the construction of the voice
was deep learning as well.
was deep learning 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
ディープ・ラーニングが使われています
05:38
So deep learning is
this extraordinary thing.
this extraordinary 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
このようにすごいものです
05:41
It's a single algorithm that
can seem to do almost anything,
can seem to do almost 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
ほとんど何でもできるように見えます
05:44
and I discovered that a year earlier,
it had also learned to see.
it had also learned 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
「見る」こともできると知りました
05:47
In this obscure competition from Germany
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
という奇妙な競技会で
05:49
called the German Traffic Sign
Recognition Benchmark,
Recognition Benchmark,
112
337628
2597
05:52
deep learning had learned
to recognize traffic signs like this one.
to recognize traffic signs like this one.
113
340225
3393
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
識別できることが示されました
05:55
Not only could it
recognize the traffic signs
recognize the traffic signs
114
343618
2094
他のアルゴリズムよりも
05:57
better than any other algorithm,
115
345712
1758
上手く識別できた
というだけでなく
というだけでなく
05:59
the leaderboard actually showed
it was better than people,
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
２位の人間より
06:02
about twice as good as people.
117
350189
1852
２倍高い精度で
識別できたんです
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
コンピューターが人よりも
06:06
of computers that can see
better than people.
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
生まれたわけです
06:09
Since that time, a lot has happened.
120
357442
2049
それ以来いろんなことが
起きています
起きています
06:11
In 2012, Google announced that
they had a deep learning algorithm
they had a deep learning algorithm
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
ディープ・ラーニング・アルゴリズムが
06:15
watch YouTube videos
122
363005
1415
YouTubeビデオを見て
06:16
and crunched the data
on 16,000 computers for a month,
on 16,000 computers 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
１ヶ月 データ処理した結果
06:19
and the computer independently learned
about concepts such as people and cats
about concepts such 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
「猫」といった概念を
06:24
just by watching the videos.
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 learn.
that humans learn.
126
374027
2352
これは人が学習する方法に
近いものです
近いものです
06:28
Humans don't learn
by being told what they see,
by being told what they see,
127
376379
2740
人は見たものを
教えられて学ぶよりは
教えられて学ぶよりは
06:31
but by learning for themselves
what these things are.
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
自分で学んでいくものです
06:34
Also in 2012, Geoffrey Hinton,
who we saw earlier,
who we saw earlier,
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
先ほど名前の出たジェフリー・ヒントンが
06:37
won the very popular ImageNet competition,
130
385819
2858
有名なImageNet競技会で
優勝しましたが
優勝しましたが
06:40
looking to try to figure out
from one and a half million images
from one and a half million images
131
388677
4141
これは150万の画像を
何の写真か
何の写真か
06:44
what they're pictures 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 six percent error rate
to a six percent error rate
133
394256
3533
2014年の時点で
画像認識の誤り率は
画像認識の誤り率は
06:49
in image recognition.
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 really are doing
an extraordinarily good job of this,
an extraordinarily good job 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
するようになっており
06:57
and it is now being used in industry.
137
405037
2269
商業的にも
利用されています
利用されています
06:59
For example, Google announced 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
去年フランス国内のすべての番地を
07:02
that they had mapped every single
location in France in two hours,
location in France in two hours,
139
410348
4585
２時間で地図に登録したと
発表しました
発表しました
07:06
and the way they did it was
that they fed street view images
that they fed street view images
140
414933
3447
その方法は
ストリートビューの画像を
ストリートビューの画像を
07:10
into a deep learning algorithm
to recognize and read street numbers.
to recognize and read street numbers.
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
所番地を識別させるというものです
07:14
Imagine how long
it would have taken before:
it would have taken 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
要したか分かりません
07:16
dozens of people, many years.
143
424919
3355
何十人掛かりで
何年もかかったでしょう
何年もかかったでしょう
07:20
This is also happening in China.
144
428274
1911
こちらは中国の
Baiduによるもので
Baiduによるもので
07:22
Baidu is kind of
the Chinese Google, I guess,
the Chinese Google, I guess,
145
430185
4036
中国版のGoogle
のようなサービスです
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 that I uploaded
to Baidu's deep learning system,
to Baidu's deep learning system,
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
アップロードしたものです
07:32
and underneath you can see that the system
has understood what that picture is
has understood what that picture is
148
440478
3769
下に並んでいるのは
システムがその画像を理解して
システムがその画像を理解して
07:36
and found similar images.
149
444247
2236
似た画像を集めた結果です
07:38
The similar images actually
have similar backgrounds,
have similar backgrounds,
150
446483
2736
類似画像は
似たような背景や
似たような背景や
07:41
similar directions of the faces,
151
449219
1658
似た顔の向きを持ち
07:42
even some with their tongue out.
152
450877
1788
同じく舌を出してる
ものまであります
ものまであります
07:44
This is not clearly looking
at the text of a web page.
at the text of a web page.
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
見つけたものではありません
07:47
All I uploaded was an image.
154
455695
1412
アップしたのは
画像だけです
画像だけです
07:49
So we now have computers which
really understand what they see
really understand what they see
155
457107
4021
今やコンピュータは
見た物を理解して
見た物を理解して
07:53
and can therefore search databases
156
461128
1624
何億という画像の
データベースから
データベースから
07:54
of hundreds of millions
of images in real time.
of images in real 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
なっているのです
07:58
So what does it mean
now that computers can see?
now that computers 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？
どんな意味を持つのか？
08:01
Well, it's not just
that computers can see.
that computers 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
見ることだけではありません
08:03
In fact, deep learning
has done more than that.
has done 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
それ以上のことができます
08:05
Complex, nuanced sentences 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
ニュアンスに富んだ文章を
08:08
are now understandable
with deep learning algorithms.
with deep learning algorithms.
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
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 system
showing the red dot at the top
showing the red dot 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
一番上の点が赤色になっていて
08:15
has figured out that this sentence
is expressing negative sentiment.
is expressing negative sentiment.
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
表していることを示しています
08:19
Deep learning now in fact
is near human performance
is near human performance
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
文章が何について何を言っているのかを
08:22
at understanding what sentences are about
and what it is saying about those things.
and what it is saying about those things.
167
490802
5121
人間に近い精度で
理解できるようになっているのです
理解できるようになっているのです
08:27
Also, deep learning has
been used to read Chinese,
been used to read Chinese,
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
中国語を読むのにも使われ
08:30
again at about native
Chinese speaker level.
Chinese speaker level.
169
498651
3156
中国語のネイティブ話者並の
精度があります
精度があります
08:33
This algorithm developed
out of Switzerland
out of Switzerland
170
501807
2168
これを開発したのは
スイスのチームですが
スイスのチームですが
08:35
by people, none of whom speak
or understand any Chinese.
or understand any Chinese.
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
いなかったそうです
08:39
As I say, using deep learning
172
507331
2051
ディープ・ラーニングは
これに関して
これに関して
08:41
is about the best system
in the world for this,
in the world for this,
173
509382
2219
ネイティブの人間にも劣らない
08:43
even compared to native
human understanding.
human understanding.
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
構築したシステムで
08:48
This is a system that we
put together at my company
put together at my company
175
516718
2964
08:51
which shows putting
all this stuff together.
all this stuff together.
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
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,
have no text attached,
177
521728
2461
ユーザーが文をタイプすると
08:56
and as I'm typing in here sentences,
178
524189
2352
08:58
in real time it's understanding
these pictures
these pictures
179
526541
2969
リアルタイムで画像を理解し
09:01
and figuring out what they're about
180
529510
1679
何の画像かを判別して
09:03
and finding pictures that are similar
to the text that I'm writing.
to the text that I'm writing.
181
531189
3163
書き込まれた文に近い画像を
見つけます
見つけます
09:06
So you can see, it's actually
understanding my sentences
understanding my sentences
182
534352
2756
だから私の書いた文と
これらの画像を
これらの画像を
09:09
and actually understanding these pictures.
183
537108
2224
同時に理解しているわけです
09:11
I know that you've seen
something like this on Google,
something like this on Google,
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
似たものを見たことがあるでしょう
09:13
where you can type in things
and it will show you pictures,
and it will show you pictures,
185
541891
2775
何かタイプすると
画像が表示されますが
画像が表示されますが
09:16
but actually what it's doing is it's
searching the webpage for the text.
searching the webpage for the text.
186
544666
3424
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
テキストによるウェブページの検索です
09:20
This is very different from actually
understanding the images.
understanding the images.
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
ずいぶん違うことです
09:23
This is something that computers
have only been able to do
have only been able to do
188
551091
2752
このようなことが
できるようになったのは
できるようになったのは
09:25
for the first time in the last few months.
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
can not only see but they can also read,
can not only see but they can also read,
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
「読む」こともでき
09:33
and, of course, we've shown that they
can understand what they hear.
can understand what they hear.
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
お見せしました
09:36
Perhaps not surprising now that
I'm going to tell you they can write.
I'm going to tell you they can write.
192
564947
3442
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
驚かないかもしれません
09:40
Here is some text that I generated
using a deep learning algorithm yesterday.
using a deep learning algorithm yesterday.
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
アルゴリズムで生成したテキストです
09:45
And here is some text that an algorithm
out of Stanford generated.
out of Stanford generated.
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
生成されたテキストです
09:49
Each of these sentences was generated
195
577096
1764
それぞれの画像を
説明する文が
説明する文が
09:50
by a deep learning algorithm
to describe each of those pictures.
to describe each of those pictures.
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
生成されています
09:55
This algorithm before has never seen
a man in a black shirt playing a guitar.
a man in a black shirt playing a guitar.
197
583109
4472
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
前に見たことはありません
09:59
It's seen a man before,
it's seen black before,
it's seen 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
「黒い」ものを見たことはあり
10:01
it's seen a guitar before,
199
589801
1599
「ギター」を見たことはありますが
10:03
but it has independently generated
this novel description of this picture.
this novel description of this picture.
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
新しく独自に作り出されたものです
10:07
We're still not quite at human
performance here, but we're close.
performance here, but we're close.
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
まだ人間に及びませんが 近づいています
10:11
In tests, humans prefer
the computer-generated caption
the computer-generated caption
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 —
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 four times.
203
603264
1527
という結果になっています
10:16
Now this system is now only two weeks old,
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
まだ２週間しかたっていないので
10:18
so probably within the next year,
205
606855
1846
このまま行くと
たぶん来年中には
たぶん来年中には
10:20
the computer algorithm will be
well past human performance
well past human performance
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 things are going.
207
611502
1862
人間を上回るのではと思います
10:25
So computers can also write.
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
書くこともできるのです
10:28
So we put all this together and it leads
to very exciting opportunities.
to very exciting opportunities.
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
非常に興味深い可能性が開けます
10:31
For example, in medicine,
210
619888
1492
たとえば医療です
10:33
a team in Boston announced
that they had discovered
that they had discovered
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
コンピューターによって
10:35
dozens of new clinically relevant features
212
623905
2949
医師が がんの診断を
する上で役に立つ
する上で役に立つ
10:38
of tumors which help doctors
make a prognosis of a cancer.
make a prognosis 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
発表しました
10:44
Very similarly, in Stanford,
214
632220
2296
同様にスタンフォードのグループは
10:46
a group there announced that,
looking at tissues under magnification,
looking at tissues under magnification,
215
634516
3663
組織の拡大画像を見て
10:50
they've developed
a machine learning-based system
a machine learning-based system
216
638179
2381
がん患者の生存率を
10:52
which in fact is better
than human pathologists
than human pathologists
217
640560
2582
人間の病理医よりも
正確に予想する
正確に予想する
10:55
at predicting survival rates
for cancer sufferers.
for cancer sufferers.
218
643142
4377
機械学習システムを
開発しました
開発しました
10:59
In both of these cases, not only
were the predictions more accurate,
were the predictions more accurate,
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
予測が人間より正確というだけでなく
11:02
but they generated new insightful science.
220
650764
2502
新たな科学的洞察を
もたらしています
もたらしています
11:05
In the radiology case,
221
653276
1505
放射線医学のケースでは
11:06
they were new clinical indicators
that humans can understand.
that humans can understand.
222
654781
3095
人間に理解できる
新しい臨床的な指標です
新しい臨床的な指標です
11:09
In this pathology case,
223
657876
1792
病理学のケースでは
11:11
the computer system actually discovered
that the cells around the cancer
that the cells around the cancer
224
659668
4500
診断において
がん細胞だけでなく
がん細胞だけでなく
11:16
are as important as
the cancer cells themselves
the cancer cells themselves
225
664168
3340
がんの周囲の細胞も
重要であることを
重要であることを
11:19
in making a diagnosis.
226
667508
1752
発見しました
11:21
This is the opposite of what pathologists
had been taught for decades.
had been taught for decades.
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
何十年も教わってきたのとは逆です
11:26
In each of those two cases,
they were systems developed
they were systems developed
228
674621
3292
どちらのケースでも
システムは
システムは
11:29
by a combination of medical experts
and machine learning experts,
and machine learning experts,
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
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 that too.
we're now beyond that too.
230
681534
2741
去年我々はこの面をも
乗り越えました
乗り越えました
11:36
This is an example of
identifying cancerous areas
identifying cancerous areas
231
684275
3549
これは顕微鏡で見た
人の組織から
人の組織から
11:39
of human tissue under a microscope.
232
687824
2530
がんの領域を
識別する例です
識別する例です
11:42
The system being shown here
can identify those areas more accurately,
can identify those areas more accurately,
233
690354
4613
このシステムは
人間の病理医と同じか
人間の病理医と同じか
11:46
or about as accurately,
as human pathologists,
as human pathologists,
234
694967
2775
それ以上の精度で
がん領域を識別できますが
がん領域を識別できますが
11:49
but was built entirely with deep learning
using no medical expertise
using no medical expertise
235
697742
3392
医療の知識や経験のない
チームによって
チームによって
11:53
by people who have
no background in the field.
no background in the field.
236
701134
2526
ディープ・ラーニングを使って
開発されました
開発されました
11:56
Similarly, here, this neuron segmentation.
237
704730
2555
同様に これは
ニューロンの区分けです
ニューロンの区分けです
11:59
We can now segment neurons
about as accurately as humans can,
about as accurately as humans 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
同じ正確さで区分けできますが
12:02
but this system was developed
with deep learning
with deep learning
239
710953
2717
このシステムは医学を
学んだことのない人々が
学んだことのない人々が
12:05
using people with no previous
background in medicine.
background in medicine.
240
713670
3251
ディープ・ラーニングを使って
開発しました
開発しました
12:08
So myself, as somebody with
no previous background in medicine,
no previous background in medicine,
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
医療の会社を始めるのも
12:12
I seem to be entirely well qualified
to start a new medical company,
to start a new medical company,
242
720148
3727
もはや変なことではないと思え
12:15
which 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 of terrified of doing it,
244
726021
1740
そうするのは
怖くもありましたが
怖くもありましたが
12:19
but the theory seemed to suggest
that it ought to be possible
that it ought to be possible
245
727761
2889
データ分析技術だけでも
有益な医療サービスは
有益な医療サービスは
12:22
to do very useful medicine
using just these data analytic techniques.
using just these data analytic techniques.
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
理論は示しているように見えます
12:28
And thankfully, the feedback
has been fantastic,
has been fantastic,
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
大変好意的な反応を受け取っており
12:30
not just from the media
but from the medical community,
but from the medical community,
248
738622
2356
メディアばかりでなく
12:32
who have been very supportive.
249
740978
2344
医学界の人々も
支持してくれています
支持してくれています
12:35
The theory is that we can take
the middle part of the medical process
the middle part of the medical process
250
743322
4149
私たちは医療の
中間部分を受け持って
中間部分を受け持って
12:39
and turn that into data analysis
as much as possible,
as much as possible,
251
747471
2893
そこを可能な限り
データ分析で置き換え
データ分析で置き換え
12:42
leaving doctors to do
what they're best at.
what they're best 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
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 a new medical diagnostic test
to generate a new medical diagnostic test
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
現在15分ほどかかります
12:51
and I'll show you that in real time now,
255
759975
1954
それをリアルタイムで
ご覧に入れますが
ご覧に入れますが
12:53
but I've compressed it down to
three minutes by cutting some pieces out.
three minutes by cutting some pieces out.
256
761929
3487
一部をはしょって
３分に縮めてやります
３分に縮めてやります
12:57
Rather than showing you
creating a medical diagnostic test,
creating a medical diagnostic test,
257
765416
3061
医療診断テストを作って
お見せするよりは
お見せするよりは
13:00
I'm going to show you
a diagnostic test of car images,
a diagnostic test of car images,
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
お見せしようと思います
13:03
because that's something
we can all understand.
we can all understand.
259
771846
2222
その方が分かりやすいので
13:06
So here we're starting with
about 1.5 million car images,
about 1.5 million car images,
260
774068
3201
150万の車の画像から
始めます
始めます
13:09
and I want to create something
that can split them into the angle
that can split them into the angle
261
777269
3206
まず写真を
撮った角度によって
撮った角度によって
13:12
of the photo that's being taken.
262
780475
2223
分類したいと思います
13:14
So these images are entirely unlabeled,
so I have to start from scratch.
so I have to start from scratch.
263
782698
3888
画像にラベルはまったく付いておらず
一から始めます
一から始めます
13:18
With our deep learning algorithm,
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 identify
areas of structure in these images.
areas of structure in these images.
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
自動的に識別することができます
13:24
So the nice thing is that the human
and the computer can now work together.
and the computer can now work together.
266
792158
3620
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
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, as you can see here,
267
795778
2178
ご覧のように
13:29
is telling the computer
about areas of interest
about areas of interest
268
797956
2675
人が関心のある領域を
コンピューターに教え
コンピューターに教え
13:32
which it wants the computer then
to try and use to improve its algorithm.
to try and use to improve its algorithm.
269
800631
4650
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
アルゴリズムを改良します
13:37
Now, these deep learning systems actually
are in 16,000-dimensional space,
are in 16,000-dimensional space,
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
１万６千次元空間になっていて
13:41
so you can see here the computer
rotating this through that space,
rotating this through that space,
271
809577
3432
その空間の中で
軸を回転させて
軸を回転させて
13:45
trying to find new areas of structure.
272
813009
1992
新たな構造領域を
見つけようとします
見つけようとします
13:47
And when it does so successfully,
273
815001
1781
それが成功したら
13:48
the human who is driving it can then
point out the areas that are interesting.
point out the areas that are interesting.
274
816782
4004
人間が関心のある領域を
指摘します
指摘します
13:52
So here, the computer has
successfully found areas,
successfully found areas,
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
領域を見つけられました
13:55
for example, angles.
276
823208
2562
たとえば角度です
13:57
So as we go through this process,
277
825770
1606
このプロセスを経ることで
13:59
we're gradually telling
the computer more and more
the computer more and more
278
827376
2340
どのような構造を
探しているのか
探しているのか
14:01
about the kinds of structures
we're looking for.
we're looking for.
279
829716
2428
徐々に伝えていきます
14:04
You can imagine in a diagnostic test
280
832144
1772
これが病気の診断であれば
14:05
this would be a pathologist identifying
areas of pathosis, for example,
areas of pathosis, 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
識別するとか
14:09
or a radiologist indicating
potentially troublesome nodules.
potentially troublesome nodules.
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
といったことを想像できるでしょう
14:14
And sometimes it can be
difficult for the algorithm.
difficult for the algorithm.
283
842292
2559
時にアルゴリズムには
難しいこともあります
難しいこともあります
14:16
In this case, it got kind of confused.
284
844851
1964
今の場合
コンピューターが混乱して
コンピューターが混乱して
14:18
The fronts and the backs
of the cars are all mixed up.
of the cars are all mixed up.
285
846815
2550
前部と後部が
ごちゃまぜになっています
ごちゃまぜになっています
14:21
So here we have to be a bit more careful,
286
849365
2072
そのため少し注意して
14:23
manually selecting these fronts
as opposed to the backs,
as opposed to the backs,
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
選り分けてやらなければなりません
14:26
then telling the computer
that this is a type of group
that this is a type of group
288
854669
5506
そうやって
こんなグループに関心があるのだと
こんなグループに関心があるのだと
14:32
that we're interested in.
289
860175
1348
コンピューターに
伝えるのです
伝えるのです
14:33
So we do that for a while,
we skip over a little bit,
we skip over a little bit,
290
861523
2677
こうやって続けていき
少しはしょりますが
少しはしょりますが
14:36
and then we train the
machine learning algorithm
machine learning algorithm
291
864200
2246
機械学習アルゴリズムを
改善させるために
改善させるために
14:38
based on these couple of hundred things,
292
866446
1974
数百の事例を使って
14:40
and we hope that it's gotten a lot better.
293
868420
2025
訓練してやります
14:42
You can see, it's now started to fade
some of these pictures out,
some of these pictures out,
294
870445
3073
画像の一部が
薄れていますが
薄れていますが
14:45
showing us that it already is recognizing
how to understand some of these itself.
how to understand some of these itself.
295
873518
4708
これはどう理解すれば良いか
既に認識されたものです
既に認識されたものです
14:50
We can then use this concept
of similar images,
of similar images,
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
使ってやることで
14:53
and using similar images, you can now see,
297
881128
2094
コンピューターが
車の前部だけを
車の前部だけを
14:55
the computer at this point is able to
entirely find just the fronts of cars.
entirely find just the fronts of cars.
298
883222
4019
見つけられるように
なりました
なりました
14:59
So at this point, the human
can tell the computer,
can tell the computer,
299
887241
2948
そうなったら
人間がコンピューターに
人間がコンピューターに
15:02
okay, yes, you've done
a good job of that.
a good job 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
教えてやります
15:05
Sometimes, of course, even at this point
301
893652
2185
もちろんこの期に及んでも
15:07
it's still difficult
to separate out groups.
to separate out groups.
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
難しいことがあります
15:11
In this case, even after we let the
computer try to rotate this for a while,
computer try to rotate this for a while,
303
899511
3884
今の場合 コンピューターに
しばらく回転をさせても
しばらく回転をさせても
15:15
we still find that the left sides
and the right sides pictures
and the right sides pictures
304
903399
3345
依然として
左側と右側の画像が
左側と右側の画像が
15:18
are all mixed up together.
305
906744
1478
混在しています
15:20
So we can again give
the computer some hints,
the computer some hints,
306
908222
2140
コンピューターにもう
少しヒントをやり
少しヒントをやり
15:22
and we say, okay, try and find
a projection that separates out
a projection that separates out
307
910362
2976
右側と左側を可能な限り
分離できる射影を
分離できる射影を
15:25
the left sides and the right sides
as much as possible
as much as possible
308
913338
2607
ディープ・ラーニング・
アルゴリズムを使って
アルゴリズムを使って
15:27
using this deep learning algorithm.
309
915945
2122
見つけられるようにします
15:30
And giving it that hint --
ah, okay, it's been successful.
ah, okay, it's been successful.
310
918067
2942
そのヒントを与えることで —
上手くいきました
上手くいきました
15:33
It's managed to find a way
of thinking about these objects
of thinking about these objects
311
921009
2882
右側と左側を
見分ける方法を
見分ける方法を
15:35
that's separated out these together.
312
923891
2380
どうにか見つけられました
15:38
So you get the idea 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
分かっていただけたと思います
15:40
This is a case not where the human
is being replaced by a computer,
is being replaced by a computer,
314
928709
8197
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 —
置き換えられるという話ではなく —
15:48
but where they're working together.
315
936906
2640
人とコンピューターが
協力するということです
協力するということです
15:51
What we're doing here is we're replacing
something that used to take a team
something that used to take a team
316
939546
3550
やろうとしているのは
これまでは５、６人のチームで
これまでは５、６人のチームで
15:55
of five or six people about seven years
317
943096
2002
何年もかかっていた
ようなことを
ようなことを
15:57
and replacing it with something
that takes 15 minutes
that takes 15 minutes
318
945098
2605
１人で15分ほどで
できるようにする
できるようにする
15:59
for one person acting alone.
319
947703
2505
ということです
16:02
So this process takes about
four or five iterations.
four or five iterations.
320
950208
3950
このプロセスには
４、５回の反復が必要です
４、５回の反復が必要です
16:06
You can see we now have 62 percent
321
954158
1859
150万の画像を
62%の精度で
62%の精度で
16:08
of our 1.5 million images
classified correctly.
classified correctly.
322
956017
2959
分類できるようになりました
16:10
And at this point, we
can start to quite quickly
can start to quite quickly
323
958976
2472
そうなったら
16:13
grab whole big sections,
324
961448
1297
大きなセクションを選んで
16:14
check through them to make sure
that there's no mistakes.
that there's no mistakes.
325
962745
2919
誤りがないか
素早くチェックできます
素早くチェックできます
16:17
Where there are mistakes, we can
let the computer know about them.
let the computer 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
コンピューターに教えてやります
16:21
And using this kind of process
for each of the different groups,
for each of the different groups,
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
そういうことを行うことで
16:24
we are now up to
an 80 percent success rate
an 80 percent success rate
328
972661
2487
150万の画像を
80%の精度で
80%の精度で
16:27
in classifying the 1.5 million images.
329
975148
2415
分類できるようになりました
16:29
And at this point, it's just a case
330
977563
2078
そうしたら
16:31
of finding the small number
that aren't classified correctly,
that aren't classified correctly,
331
979641
3579
正しく分類されなかった
少数のケースについて
少数のケースについて
16:35
and trying to understand why.
332
983220
2888
その理由を考えます
16:38
And using that approach,
333
986108
1743
このアプローチを
15分やることで
15分やることで
16:39
by 15 minutes we get
to 97 percent classification rates.
to 97 percent classification rates.
334
987851
4121
97%の精度で
分類できるようになりました
分類できるようになりました
16:43
So this kind of technique
could allow us to fix a major problem,
could allow us to fix a major problem,
335
991972
4600
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
世界の重要な問題を解決してくれるでしょう
16:48
which is that there's a lack
of medical expertise in the world.
of medical expertise in the world.
336
996578
3036
世界的な医師不足です
16:51
The World Economic Forum says
that there's between a 10x and a 20x
that there's between a 10x and a 20x
337
999614
3489
世界経済フォーラムは
発展途上国において
発展途上国において
16:55
shortage of physicians
in the developing world,
in the developing world,
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 enough people
to fix that problem.
to fix that problem.
340
1007840
2894
300年かかると言っています
17:02
So imagine if we can help
enhance their efficiency
enhance their efficiency
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
医療の効率を上げることで
17:05
using these deep learning approaches?
342
1013619
2839
対処するというのは
どうでしょう？
どうでしょう？
17:08
So I'm very excited
about the opportunities.
about the opportunities.
343
1016458
2232
このような機会に
私はワクワクしていますが
私はワクワクしていますが
17:10
I'm also concerned about the problems.
344
1018690
2589
同時に懸念している
こともあります
こともあります
17:13
The problem here is that
every area in blue on this map
every area in blue on this map
345
1021279
3124
地図で青になっている国は
17:16
is somewhere where services
are over 80 percent of employment.
are over 80 percent of employment.
346
1024403
3769
雇用の80%以上が
サービス業のところです
サービス業のところです
17:20
What are services?
347
1028172
1787
サービスとは何か？
17:21
These are services.
348
1029959
1514
このようなものです
17:23
These are also the exact things that
computers have just learned how to do.
computers have just learned how to do.
349
1031473
4154
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
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 of the world's employment
in the developed world
in the developed world
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
コンピューターができるようになったことで
17:31
is stuff that computers
have just learned how to do.
have just learned 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？
意味するのでしょう？
17:35
Well, it'll be fine.
They'll be replaced by other jobs.
They'll be replaced by other jobs.
353
1043403
2583
「他の仕事で置き換えられるから
問題ないよ
問題ないよ
17:37
For example, there will be
more jobs for data scientists.
more jobs for data scientists.
354
1045986
2707
たとえば
データサイエンティストの仕事とか」
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 scientists
very long to build these things.
very long to build 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
そう時間はかかりません
17:44
For example, these four algorithms
were all built by the same guy.
were all built by the same 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
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 before,
it's all happened before,
358
1055880
2438
こういうことは
以前にも起き
以前にも起き
17:50
we've seen the results in the past
of when new things come along
of when new things come along
359
1058318
3808
新しいものが現れては
古い職が新しい職で
古い職が新しい職で
17:54
and they get replaced by new jobs,
360
1062126
2252
置き換えられてきた
と言うなら
と言うなら
17:56
what are these new jobs 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？
どのようなものになるのでしょう？
17:58
It's very hard for us to estimate this,
362
1066494
1871
とても難しい問題です
18:00
because human performance
grows at this gradual rate,
grows at this gradual rate,
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
徐々にしか向上しませんが
18:03
but we now have a system, deep learning,
364
1071104
2562
ディープ・ラーニング・
システムの能力は
システムの能力は
18:05
that we know actually grows
in capability exponentially.
in capability exponentially.
365
1073666
3227
指数関数的に
向上しているからです
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
追い抜かれる一歩手前です
18:10
So currently, 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
are still pretty dumb." Right?
are still pretty dumb." Right?
368
1080559
2676
「コンピューターはまだ馬鹿だ」
と思っていても
と思っていても
18:15
But in five years' time,
computers will be off this chart.
computers will be off this chart.
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
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 to think
about this capability right now.
about this capability 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
考える必要があるのです
18:22
We have seen this once before, of course.
371
1090529
2050
前にも似たことは
経験しています
経験しています
18:24
In the Industrial Revolution,
372
1092579
1387
産業革命です
18:25
we saw a step change
in capability thanks to engines.
in capability thanks to engines.
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
能力の急激な変化がありました
18:29
The thing is, though,
that after a while, things flattened out.
that after a while, things flattened 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
物事はまた落ち着きました
18:32
There was social disruption,
375
1100805
1702
社会的な変動はありましたが
18:34
but once engines were used
to generate power in all the situations,
to generate power in all the situations,
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
使われるようになると
18:37
things really settled down.
377
1105946
2354
状況は安定したのです
18:40
The Machine Learning Revolution
378
1108300
1473
機械学習の革命は
18:41
is going to be very different
from the Industrial Revolution,
from the Industrial Revolution,
379
1109773
2909
産業革命とは
全然違うものになるでしょう
全然違うものになるでしょう
18:44
because the Machine Learning Revolution,
it never settles down.
it never settles down.
380
1112682
2950
機械学習の革命は
留まることがないからです
留まることがないからです
18:47
The better computers get
at intellectual activities,
at intellectual activities,
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
知的活動を受け持ち
18:50
the more they can build better computers
to be better at intellectual capabilities,
to be better at intellectual capabilities,
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
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 of change
383
1122862
1908
世界がかつて
経験したことのないような
経験したことのないような
18:56
that the world has actually
never experienced before,
never experienced before,
384
1124770
2478
変化を起こすことに
なるでしょう
なるでしょう
18:59
so your previous understanding
of what's possible is different.
of what's possible is different.
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
以前の知見は 当てはまらないのです
19:02
This is already impacting 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 productivity has increased,
as capital productivity has increased,
387
1132754
3630
過去25年で
資本生産性は増大しましたが
資本生産性は増大しましたが
19:08
labor productivity has been flat,
in fact even a little bit down.
in fact even a little bit 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
むしろ少し下がっています
19:13
So I want us to start
having this discussion now.
having this discussion now.
389
1141408
2741
だから この議論を
今始めて欲しいのです
今始めて欲しいのです
19:16
I know that when I often tell people
about this situation,
about this situation,
390
1144149
3027
私がこの状況を
説明しても
説明しても
19:19
people can be quite dismissive.
391
1147176
1490
なかなか真剣に
取り合ってもらえません
取り合ってもらえません
19:20
Well, computers 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」
本当に思考することはできない」
19:22
they don't emote,
they don't understand poetry,
they don't understand poetry,
393
1150339
3028
「感情がない」
「詩を理解しない」
「詩を理解しない」
19:25
we don't really understand 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
などなど
19:27
So what?
395
1155888
1486
だったら何でしょう？
19:29
Computers 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
時間を費やして
19:31
that humans spend most
of their time being paid to do,
of their time being paid 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
機械にも可能になっているんです
19:33
so now's the time to start thinking
398
1161897
1731
この新たな現実を踏まえて
19:35
about how we're going to adjust our
social structures and economic structures
social structures and economic structures
399
1163628
4387
社会構造や経済構造を
どう調整したら良いか
どう調整したら良いか
19:40
to be aware of this new reality.
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)
402
1171388
802
(拍手)
ABOUT THE SPEAKER
Jeremy Howard - Data scientistJeremy Howard imagines how advanced machine learning can improve our lives.
Why you should listen
Jeremy Howard is the CEO of Enlitic, an advanced machine learning company in San Francisco. Previously, he was the president and chief scientist at Kaggle, a community and competition platform of over 200,000 data scientists. Howard is a faculty member at Singularity University, where he teaches data science. He is also a Young Global Leader with the World Economic Forum, and spoke at the World Economic Forum Annual Meeting 2014 on "Jobs for the Machines."
Howard advised Khosla Ventures as their Data Strategist, identifying opportunities for investing in data-driven startups and mentoring portfolio companies to build data-driven businesses. He was the founding CEO of two successful Australian startups, FastMail and Optimal Decisions Group.
Jeremy Howard | Speaker | TED.com