English-Video.net comment policy

The comment field is common to all languages

Let's write in your language and use "Google Translate" together

Please refer to informative community guidelines on 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
Views 2,224,890

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

これまではコンピューターに
何かさせようと思ったら
00:12
Itそれ used中古 to be〜する thatそれ ifif you君は wanted欲しい
to get取得する aa computerコンピューター to do行う something何か new新しい,
プログラムを書く
必要がありました
00:16
you君は would〜する have持ってる to programプログラム itそれ.
プログラミングはやったことが
ないかもしれませんが
00:18
Now, programmingプログラミング, forために thoseそれら of you君は hereここに
thatそれ haven't持っていない done完了 itそれ yourselfあなた自身,
やりたいことを
実現するために
00:21
requires要求する laying敷設 outでる in excruciating悲惨な detail詳細
コンピューターが
行うべきことを
00:25
everyすべて singleシングル stepステップ thatそれ you君は want欲しいです
theその computerコンピューター to do行う
事細かに指定してやる
必要があります
00:28
in order注文 to achieve達成する yourきみの goalゴール.
だから実現したいことの
具体的なやり方を知らずに
00:31
Now, ifif you君は want欲しいです to do行う something何か
thatそれ you君は don'tしない know知っている howどうやって to do行う yourselfあなた自身,
プログラムを書くというのは
難しい話です
00:34
then次に thisこの is going行く
to be〜する aa greatすばらしいです challengeチャレンジ.
それがこの写真の人物
アーサー・サミュエルが直面した問題でした
00:36
Soそう thisこの wasあった theその challengeチャレンジ faced直面する
by〜によって thisこの manおとこ, Arthurアーサー Samuelサミュエル.
1956年のこと 彼はチェッカーで
自分に勝てるプログラムを
00:40
In 1956, he wanted欲しい to get取得する thisこの computerコンピューター
作りたいと思いました
00:44
to be〜する ableできる to beatビート him at〜で checkersチェッカーズ.
しかしどうしたら
自分より上手く
00:46
Howどうやって canできる you君は write書きます aa programプログラム,
チェッカーを指す手順を
詳細に記述することができるでしょう?
00:48
lay寝る outでる in excruciating悲惨な detail詳細,
howどうやって to be〜する betterより良い thanより you君は at〜で checkersチェッカーズ?
彼は良い方法を
思いつきました
00:52
Soそう he came来た upアップ with〜と an ideaアイディア:
コンピュータ自身を相手に
何千回も
00:54
he had持っていました theその computerコンピューター play遊びます
againstに対して itself自体 thousands of times
チェッカーの対局をさせて
自分で学ばせるんです
00:57
andそして learn学ぶ howどうやって to play遊びます checkersチェッカーズ.
これはうまくいきました
そのプログラムは実際
01:00
Andそして indeed確かに itそれ worked働いた,
andそして in fact事実, by〜によって 1962,
1962年に コネチカット州チャンピオンを
破ることができました
01:03
thisこの computerコンピューター had持っていました beaten殴られた
theその Connecticutコネチカット state状態 championチャンピオン.
だからアーサー・サミュエルは
機械学習の父とも言え
01:07
Soそう Arthurアーサー Samuelサミュエル wasあった
theその fatherお父さん of machine機械 learning学習,
私自身 彼に
多くを負っています
01:10
andそして I have持ってる aa greatすばらしいです debt債務 to him,
というのも私は機械学習の応用を
生業としているからです
01:12
becauseなぜなら I am午前 aa machine機械
learning学習 practitioner開業医.
私が代表を務めていた
01:15
I wasあった theその president大統領 of Kaggleケーグル,
Keggleには20万人以上の
機械学習専門家が属しています
01:16
aa communityコミュニティ of over以上 200,000
machine機械 learning学習 practictioners実践者.
Keggleでは
01:19
Kaggleケーグル puts置く upアップ competitions競技
かつて解かれたことのない課題を使って
競技会を開催していて
01:21
to tryお試しください andそして get取得する themそれら to solve解決する
previously前に unsolved未解決 problems問題,
何百回となく
成功を収めています
01:25
andそして it'sそれは beenされている successful成功した
hundreds数百 of times.
そのような立場から
機械学習には かつて何ができ
01:29
Soそう fromから thisこの vantage有利 pointポイント,
I wasあった ableできる to find見つける outでる
今何ができて
将来何ができるようになるか
01:31
aa lotロット about what machine機械 learning学習
canできる do行う in theその past過去, canできる do行う today今日,
多くのことを
学ぶことができました
01:35
andそして what itそれ couldできた do行う in theその future未来.
機械学習が商業的に大きな成功を収めた
最初の例は Googleかもしれません
01:38
Perhapsおそらく theその first最初 big大きい success成功 of
machine機械 learning学習 commercially商業的 wasあった Googlegoogle.
Googleは
機械学習を使った
01:42
Googlegoogle showed示した thatそれ itそれ is
possible可能 to find見つける information情報
アルゴリズムによって
01:45
by〜によって usingを使用して aa computerコンピューター algorithmアルゴリズム,
情報を見つけられることを
示しました
01:47
andそして thisこの algorithmアルゴリズム is basedベース
on machine機械 learning学習.
それ以来 機械学習の商業的な成功事例が
たくさん生まれています
01:50
Since以来 thatそれ time時間, thereそこ have持ってる beenされている manyたくさんの
commercial商業の successes成功 of machine機械 learning学習.
AmazonやNetflixのような企業は
01:54
Companies企業 like好きな Amazonアマゾン andそして Netflixネットフリックス
機械学習を使って
ユーザーが買いたいであろう商品や
01:56
useつかいます machine機械 learning学習 to suggest提案する
products製品 thatそれ you君は mightかもしれない like好きな to buy購入,
見たいであろう映画を
提示していて
01:59
movies映画 thatそれ you君は mightかもしれない like好きな to watch時計.
その精度は
時に不気味なくらいです
02:01
Sometimes時々, it'sそれは almostほぼ creepy気味悪い.
LinkedInやFacebookは
02:03
Companies企業 like好きな LinkedInリンクス andそして Facebookフェイスブック
知り合いかもしれない人を示唆し
なぜ分かったのか
02:05
sometimes時々 will意志 telltell you君は about
who yourきみの friends友達 mightかもしれない be〜する
当人には
見当も付きませんが
02:08
andそして you君は have持ってる noいいえ ideaアイディア howどうやって itそれ didした itそれ,
これも機械学習の力を
使っているのです
02:10
andそして thisこの is becauseなぜなら it'sそれは usingを使用して
theその powerパワー of machine機械 learning学習.
手順が事細かに
プログラミングされているのではなく
02:13
Theseこれら are algorithmsアルゴリズム thatそれ have持ってる
learned学んだ howどうやって to do行う thisこの fromから dataデータ
どうすべきかをデータから学習する
アルゴリズムが使われています
02:16
ratherむしろ thanより beingであること programmedプログラムされた by〜によって handハンド.
IBMのワトソンが
ジェパディの世界チャンピオン
02:19
Thisこの is alsoまた、 howどうやって IBMibm wasあった successful成功した
2人を破ったのも
そのような方法によってで
02:21
in getting取得 Watsonワトソン to beatビート
theその two world世界 championsチャンピオン at〜で "Jeopardy危険,"
ご覧のような複雑な問いに
答えることができました
02:25
answering答える incredibly信じられないほど subtle微妙
andそして complex複合体 questions質問 like好きな thisこの one1.
[2003年にこの町の国立博物館から古代の
“ニムルドの獅子” が (その他多くの品とともに) 消えた]
02:28
["Theその ancient古代 'Lion'ライオン of Nimrud'nimrud ' went行った missing行方不明
fromから thisこの city's都市の national全国 museum博物館 in 2003
(along一緒に with〜と aa lotロット of otherその他 stuffもの)"]
自動運転車が実現可能になったのも
機械学習のお陰です
02:31
Thisこの is alsoまた、 whyなぜ we我々 are now ableできる
to see見る theその first最初 self-driving自己運転 cars.
たとえば木と歩行者を
見分けるといったことが
02:35
Ifif you君は want欲しいです to be〜する ableできる to telltell
theその difference betweenの間に, sayいう,
できる必要があります
02:37
aa tree andそして aa pedestrian歩行者,
wellよく, that'sそれは prettyかなり important重要.
そのようなことの具体的な手順が
どうすれば書けるのか
02:40
We我々 don'tしない know知っている howどうやって to write書きます
thoseそれら programsプログラム by〜によって handハンド,
分かりませんが
機械学習で可能になったのです
02:43
butだけど with〜と machine機械 learning学習,
thisこの is now possible可能.
事実この車は
事故を起こすこともなく
02:46
Andそして in fact事実, thisこの car has持っている driven駆動される
over以上 aa million百万 milesマイル
普通の公道を
何百万キロも走行しています
02:48
withoutなし anyどれか accidents事故 on regular定期的 roads道路.
コンピューターは
単に学べるだけでなく
02:52
Soそう we我々 now know知っている thatそれ computersコンピュータ canできる learn学ぶ,
どうしたらできるのか
02:56
andそして computersコンピュータ canできる learn学ぶ to do行う thingsもの
分からないようなことも
学ぶことができ
02:58
thatそれ we我々 actually実際に sometimes時々
don'tしない know知っている howどうやって to do行う ourselves自分自身,
人間よりも上手くなることも
あり得るのです
03:00
orまたは maybe多分 canできる do行う themそれら betterより良い thanより us米国.
機械学習で最も目覚ましい
事例の1つは
03:03
One1 of theその most最も amazing素晴らしい examples
I've私は seen見た of machine機械 learning学習
私がKeggleで主催した
プロジェクトで
03:07
happened起こった on aa projectプロジェクト thatそれ I ran走った at〜で Kaggleケーグル
ジェフリー・ヒントン率いる
03:10
whereどこで aa teamチーム run走る by〜によって aa guy
calledと呼ばれる Geoffreyジェフリー Hintonヒントン
トロント大のチームが
03:13
fromから theその University大学 of Torontoトロント
薬を発見する競技に
優勝した時です
03:15
won勝った aa competitionコンペ forために
automatic自動 drugドラッグ discovery発見.
これがすごいのは
医薬大手のメルク社や
03:18
Now, what wasあった extraordinary特別な hereここに
is notない justちょうど thatそれ they彼ら beatビート
この分野の専門家チームの
開発したアルゴリズムを破った彼らのチームに
03:20
allすべて of theその algorithmsアルゴリズム developed発展した by〜によって Merckメルク
orまたは theその international国際 academicアカデミック communityコミュニティ,
化学や生物学やライフサイエンスを
ちゃんと学んだ経験のある人が誰もいなかったことで
03:25
butだけど nobody誰も on theその teamチーム had持っていました anyどれか backgroundバックグラウンド
in chemistry化学 orまたは biology生物学 orまたは life生活 sciences科学,
しかも たった2週間で
やってのけたのです
03:30
andそして they彼ら didした itそれ in two weeks.
どうして可能だったのか?
03:32
Howどうやって didした they彼ら do行う thisこの?
ディープ・ラーニングと呼ばれる
アルゴリズムを使ったのです
03:34
They彼ら used中古 an extraordinary特別な algorithmアルゴリズム
calledと呼ばれる deep深い learning学習.
ことの重大さは 数週間後に
ニューヨークタイムズ紙の
03:37
Soそう important重要 wasあった thisこの thatそれ in fact事実
theその success成功 wasあった covered覆われた
一面で取り上げられたことでも
分かると思います
03:40
in Theその New新しい Yorkヨーク Times in aa frontフロント pageページ
article記事 aa few少数 weeks later後で.
画面の左に出ているのが
ジェフリー・ヒントンです
03:43
Thisこの is Geoffreyジェフリー Hintonヒントン
hereここに on theその left-hand左手 side.
ディープ・ラーニングというのは
人の脳の仕組みを参考にしたアルゴリズムで
03:46
Deep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〜によって howどうやって theその human人間 brain works作品,
何が可能かについて
03:50
andそして asとして aa result結果 it'sそれは an algorithmアルゴリズム
理論的には限界がありません
03:52
whichどの has持っている noいいえ theoretical理論的 limitations限界
on what itそれ canできる do行う.
より多くのデータと
処理時間を使うほど
03:56
Theその moreもっと dataデータ you君は give与える itそれ andそして theその moreもっと
computation計算 time時間 you君は give与える itそれ,
より良い結果が得られます
03:58
theその betterより良い itそれ gets取得.
ニューヨークタイムズは
その記事でもう1つ
04:00
Theその New新しい Yorkヨーク Times alsoまた、
showed示した in thisこの article記事
ディープ・ラーニングのすごい事例を
取り上げています
04:02
another別の extraordinary特別な
result結果 of deep深い learning学習
それをこれからお見せしましょう
04:04
whichどの I'm私は going行く to showショー you君は now.
コンピューターが人の話を聞いて
理解できることを示すものです
04:07
Itそれ showsショー thatそれ computersコンピュータ
canできる listen聴く andそして understandわかる.
(ビデオ) このプロセスの
最後に加えたいステップは
04:12
(Videoビデオ) Richardリチャード Rashidラシッド: Now, theその last最終 stepステップ
実際に中国語で
04:15
thatそれ I want欲しいです to be〜する ableできる
to take取る in thisこの processプロセス
話させるということです
04:18
is to actually実際に speak話す to you君は in Chinese中国語.
ここで鍵になるのは
04:22
Now theその keyキー thingもの thereそこ is,
中国語話者から得た
膨大な情報を使って
04:25
we've私たちは beenされている ableできる to take取る aa large amount
of information情報 fromから manyたくさんの Chinese中国語 speakersスピーカー
中国語のテキストを
音声に変える
04:30
andそして produce作物 aa text-to-speechテキスト読み上げ systemシステム
音声合成システムを作り
04:33
thatそれ takesテイク Chinese中国語 textテキスト
andそして converts変換する itそれ into Chinese中国語 language言語,
1時間ほどの
私自身の声のデータを使って
04:37
andそして then次に we've私たちは taken撮影
an hour時間 orまたは soそう of myじぶんの own自分の voice音声
そのシステムを調整し
04:41
andそして we've私たちは used中古 thatそれ to modulate変調する
まるで私が話しているかのようにする
ということです
04:43
theその standard標準 text-to-speechテキスト読み上げ systemシステム
soそう thatそれ itそれ would〜する sound like好きな me.
まだ完璧なものではありません
04:48
Again再び, theその result's結果 notない perfect完璧な.
たくさんミスをします
04:50
Thereそこ are in fact事実 quiteかなり aa few少数 errorsエラー.
(音声合成された中国語訳)
04:53
(In Chinese中国語)
(拍手)
04:56
(Applause拍手)
この領域で為されるべきことは
まだたくさんあります
05:01
There'sそこに muchたくさん work作業 to be〜する done完了 in thisこの areaエリア.
(音声合成された中国語訳)
05:05
(In Chinese中国語)
(拍手)
05:08
(Applause拍手)
これは中国で行われた
カンファレンスでのものですが
05:13
Jeremyジェレミー Howardハワード: Wellよく, thatそれ wasあった at〜で
aa machine機械 learning学習 conference会議 in China中国.
学会で拍手が
沸き起こるというのは
05:16
It'sそれは notない oftenしばしば, actually実際に,
at〜で academicアカデミック conferencesカンファレンス
あまりないことです
05:19
thatそれ you君は do行う hear聞く spontaneous自発 applause拍手,
もっともTEDxは
もっと自由な雰囲気がありますが
05:21
althoughただし、 of courseコース sometimes時々
at〜で TEDxtedx conferencesカンファレンス, feel感じる free無料.
ご覧いただいたものはみんな
ディープ・ラーニングで実現されました
05:24
Everythingすべて you君は saw見た thereそこ
wasあった happeningハプニング with〜と deep深い learning学習.
(拍手) どうも
05:27
(Applause拍手) Thank感謝 you君は.
英語の文字起こしも
ディープ・ラーニングだし
05:29
Theその transcription転写 in English英語
wasあった deep深い learning学習.
右上の中国語に翻訳されたテキストも
ディープ・ラーニングによるもので
05:31
Theその translation翻訳 to Chinese中国語 andそして theその textテキスト
in theその top right, deep深い learning学習,
音声の合成にも
ディープ・ラーニングが使われています
05:34
andそして theその construction建設 of theその voice音声
wasあった deep深い learning学習 asとして wellよく.
ディープ・ラーニングは
このようにすごいものです
05:38
Soそう deep深い learning学習 is
thisこの extraordinary特別な thingもの.
単一のアルゴリズムで
ほとんど何でもできるように見えます
05:41
It'sそれは aa singleシングル algorithmアルゴリズム thatそれ
canできる seem思われる to do行う almostほぼ anything何でも,
この1年前にディープ・ラーニングが
「見る」こともできると知りました
05:44
andそして I discovered発見された thatそれ aa year earlier先に,
itそれ had持っていました alsoまた、 learned学んだ to see見る.
ドイツ道路標識認識ベンチマーク
という奇妙な競技会で
05:47
In thisこの obscureあいまいな competitionコンペ fromから Germanyドイツ
05:49
calledと呼ばれる theその Germanドイツ人 Trafficトラフィック Sign符号
Recognition認識 Benchmark基準,
このような道路標識をディープ・ラーニングで
識別できることが示されました
05:52
deep深い learning学習 had持っていました learned学んだ
to recognize認識する trafficトラフィック signs兆候 like好きな thisこの one1.
他のアルゴリズムよりも
05:55
Notない onlyのみ couldできた itそれ
recognize認識する theその trafficトラフィック signs兆候
上手く識別できた
というだけでなく
05:57
betterより良い thanより anyどれか otherその他 algorithmアルゴリズム,
このスコアボードにある通り
2位の人間より
05:59
theその leaderboardリーダーボード actually実際に showed示した
itそれ wasあった betterより良い thanより people,
2倍高い精度で
識別できたんです
06:02
about twice二度 asとして good良い asとして people.
2011年には
コンピューターが人よりも
06:04
Soそう by〜によって 2011, we我々 had持っていました theその first最初 example
良く見ることができる事例が
生まれたわけです
06:06
of computersコンピュータ thatそれ canできる see見る
betterより良い thanより people.
それ以来いろんなことが
起きています
06:09
Since以来 thatそれ time時間, aa lotロット has持っている happened起こった.
2012年にGoogleが発表したんですが
ディープ・ラーニング・アルゴリズムが
06:11
In 2012, Googlegoogle announced発表 thatそれ
they彼ら had持っていました aa deep深い learning学習 algorithmアルゴリズム
YouTubeビデオを見て
06:15
watch時計 YouTubeyoutube videosビデオ
1万6千台のコンピュータで
1ヶ月 データ処理した結果
06:16
andそして crunched鋭い theその dataデータ
on 16,000 computersコンピュータ forために aa month,
コンピューターが「人」や
「猫」といった概念を
06:19
andそして theその 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として people andそして cats
自分で学んだということです
06:24
justちょうど by〜によって watching見ている theその videosビデオ.
これは人が学習する方法に
近いものです
06:26
Thisこの is muchたくさん like好きな theその way方法
thatそれ humans人間 learn学ぶ.
人は見たものを
教えられて学ぶよりは
06:28
Humans人間 don'tしない learn学ぶ
by〜によって beingであること told言った what they彼ら see見る,
むしろそれが何なのか
自分で学んでいくものです
06:31
butだけど by〜によって learning学習 forために themselves自分自身
what theseこれら thingsもの are.
2012年にはまた
先ほど名前の出たジェフリー・ヒントンが
06:34
Alsoまた、 in 2012, Geoffreyジェフリー Hintonヒントン,
who we我々 saw見た earlier先に,
有名なImageNet競技会で
優勝しましたが
06:37
won勝った theその very非常に popular人気 ImageNetイマージネ competitionコンペ,
これは150万の画像を
何の写真か
06:40
looking探している to tryお試しください to figure数字 outでる
fromから one1 andそして aa halfハーフ million百万 imagesイメージ
判別するというものです
06:44
what they're彼らは picturesピクチャー of.
2014年の時点で
画像認識の誤り率は
06:46
Asとして of 2014, we're私たちは now downダウン
to aa six6 percentパーセント errorエラー rateレート
6%までになっています
06:49
in image画像 recognition認識.
これも人間より高い精度です
06:51
Thisこの is betterより良い thanより people, again再び.
機械はこの面で非常に良い仕事を
するようになっており
06:53
Soそう machines機械 really本当に are doingやっている
an extraordinarily異常に good良い jobジョブ of thisこの,
商業的にも
利用されています
06:57
andそして itそれ is now beingであること used中古 in industry業界.
たとえばGoogleは
去年フランス国内のすべての番地を
06:59
Forために example, Googlegoogle announced発表 last最終 year
2時間で地図に登録したと
発表しました
07:02
thatそれ they彼ら had持っていました 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,
その方法は
ストリートビューの画像を
07:06
andそして theその way方法 they彼ら didした itそれ wasあった
thatそれ they彼ら fed給餌した street通り view見る imagesイメージ
ディープ・ラーニング・アルゴリズムに食わせて
所番地を識別させるというものです
07:10
into aa deep深い learning学習 algorithmアルゴリズム
to recognize認識する andそして read読む street通り numbers数字.
かつてなら どれほど時間を
要したか分かりません
07:14
Imagine想像する howどうやって long長いです
itそれ would〜する have持ってる taken撮影 before:
何十人掛かりで
何年もかかったでしょう
07:16
dozens数十 of people, manyたくさんの years.
こちらは中国の
Baiduによるもので
07:20
Thisこの is alsoまた、 happeningハプニング in China中国.
中国版のGoogle
のようなサービスです
07:22
Baidu is kind種類 of
theその Chinese中国語 Googlegoogle, I guess推測,
左上の画像は
07:26
andそして what you君は see見る hereここに in theその top left
私がBaiduのディープ・ラーニング・システムに
アップロードしたものです
07:28
is an example of aa picture画像 thatそれ I uploadedアップロードされた
to Baidu'sバイドー deep深い learning学習 systemシステム,
下に並んでいるのは
システムがその画像を理解して
07:32
andそして underneath下の you君は canできる see見る thatそれ theその systemシステム
has持っている understood理解された what thatそれ picture画像 is
似た画像を集めた結果です
07:36
andそして found見つけた similar類似 imagesイメージ.
類似画像は
似たような背景や
07:38
Theその similar類似 imagesイメージ actually実際に
have持ってる similar類似 backgrounds背景,
似た顔の向きを持ち
07:41
similar類似 directions行き方 of theその faces,
同じく舌を出してる
ものまであります
07:42
even偶数 some一部 with〜と their彼らの tongue outでる.
ウェブページの文章によって
見つけたものではありません
07:44
Thisこの is notない clearlyはっきりと looking探している
at〜で theその textテキスト of aa webウェブ pageページ.
アップしたのは
画像だけです
07:47
Allすべて I uploadedアップロードされた wasあった an image画像.
今やコンピュータは
見た物を理解して
07:49
Soそう we我々 now have持ってる computersコンピュータ whichどの
really本当に understandわかる what they彼ら see見る
何億という画像の
データベースから
07:53
andそして canできる thereforeしたがって、 searchサーチ databasesデータベース
リアルタイムで検索できるまでに
なっているのです
07:54
of hundreds数百 of millions何百万
of imagesイメージ in realリアル time時間.
コンピュータに「見る」ことができるというのは
どんな意味を持つのか?
07:58
Soそう what doesする itそれ mean平均
now thatそれ computersコンピュータ canできる see見る?
しかしできるのは
見ることだけではありません
08:01
Wellよく, it'sそれは notない justちょうど
thatそれ computersコンピュータ canできる see見る.
ディープ・ラーニングには
それ以上のことができます
08:03
In fact事実, deep深い learning学習
has持っている done完了 moreもっと thanより thatそれ.
このような複雑で
ニュアンスに富んだ文章を
08:05
Complex複合体, nuanced微妙 sentences文章 like好きな thisこの one1
ディープ・ラーニング・アルゴリズムは
理解できます
08:08
are now understandable理解できる
with〜と deep深い learning学習 algorithmsアルゴリズム.
ご覧いただいているのは
08:11
Asとして you君は canできる see見る hereここに,
スタンフォード大のシステムですが
一番上の点が赤色になっていて
08:12
thisこの Stanford-basedスタンフォードベース systemシステム
showing表示 theその red dotドット at〜で theその top
文が全体としてネガティブな感情を
表していることを示しています
08:15
has持っている figured思った outでる thatそれ thisこの sentence
is expressing表現する negative sentiment感情.
ディープ・ラーニングは今や
文章が何について何を言っているのかを
08:19
Deep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
人間に近い精度で
理解できるようになっているのです
08:22
at〜で understanding理解 what sentences文章 are about
andそして what itそれ is saying言って about thoseそれら thingsもの.
ディープ・ラーニングは
中国語を読むのにも使われ
08:27
Alsoまた、, deep深い learning学習 has持っている
beenされている used中古 to read読む Chinese中国語,
中国語のネイティブ話者並の
精度があります
08:30
again再び at〜で about nativeネイティブ
Chinese中国語 speakerスピーカー levelレベル.
これを開発したのは
スイスのチームですが
08:33
Thisこの algorithmアルゴリズム developed発展した
outでる of Switzerlandスイス
その中に中国語の分かる人は
いなかったそうです
08:35
by〜によって people, noneなし of whom speak話す
orまたは understandわかる anyどれか Chinese中国語.
ディープ・ラーニングは
これに関して
08:39
Asとして I sayいう, usingを使用して deep深い learning学習
ネイティブの人間にも劣らない
08:41
is about theその bestベスト systemシステム
in theその world世界 forために thisこの,
最も優れたシステムなのです
08:43
even偶数 compared比較した to nativeネイティブ
human人間 understanding理解.
これは私の会社で
構築したシステムで
08:48
Thisこの is aa systemシステム thatそれ we我々
put置く together一緒に at〜で myじぶんの company会社
すべてを組み合わせたものです
08:51
whichどの showsショー puttingパッティング
allすべて thisこの stuffもの together一緒に.
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これら are picturesピクチャー whichどの
have持ってる noいいえ textテキスト attached添付された,
ユーザーが文をタイプすると
08:56
andそして asとして I'm私は typingタイピング in hereここに sentences文章,
リアルタイムで画像を理解し
08:58
in realリアル time時間 it'sそれは understanding理解
theseこれら picturesピクチャー
何の画像かを判別して
09:01
andそして figuring想像する outでる what they're彼らは about
書き込まれた文に近い画像を
見つけます
09:03
andそして finding所見 picturesピクチャー thatそれ are similar類似
to theその textテキスト thatそれ I'm私は writing書き込み.
だから私の書いた文と
これらの画像を
09:06
Soそう you君は canできる see見る, it'sそれは actually実際に
understanding理解 myじぶんの sentences文章
同時に理解しているわけです
09:09
andそして actually実際に understanding理解 theseこれら picturesピクチャー.
Googleのサイトで
似たものを見たことがあるでしょう
09:11
I know知っている thatそれ you'veあなたは seen見た
something何か like好きな thisこの on Googlegoogle,
何かタイプすると
画像が表示されますが
09:13
whereどこで you君は canできる typeタイプ in thingsもの
andそして itそれ will意志 showショー you君は picturesピクチャー,
そこで実際に行われているのは
テキストによるウェブページの検索です
09:16
butだけど actually実際に what it'sそれは doingやっている is it'sそれは
searching検索 theその webpageウェブページ forために theその textテキスト.
画像を理解するというのとは
ずいぶん違うことです
09:20
Thisこの is very非常に different異なる fromから actually実際に
understanding理解 theその imagesイメージ.
このようなことが
できるようになったのは
09:23
Thisこの is something何か thatそれ computersコンピュータ
have持ってる onlyのみ beenされている ableできる to do行う
ほんのここ数ヶ月のことです
09:25
forために theその first最初 time時間 in theその last最終 few少数 months数ヶ月.
コンピューターには「見る」だけでなく
「読む」こともでき
09:29
Soそう we我々 canできる see見る now thatそれ computersコンピュータ
canできる notない onlyのみ see見る butだけど they彼ら canできる alsoまた、 read読む,
「聞く」ことによって理解できることも
お見せしました
09:33
andそして, of courseコース, we've私たちは shown示された thatそれ they彼ら
canできる understandわかる what they彼ら hear聞く.
そうすると「書く」ことだってできると言っても
驚かないかもしれません
09:36
Perhapsおそらく notない surprising驚くべき now thatそれ
I'm私は going行く to telltell you君は they彼ら canできる write書きます.
これは私が昨日 ディープ・ラーニング・
アルゴリズムで生成したテキストです
09:40
Hereここに is some一部 textテキスト thatそれ I generated生成された
usingを使用して aa deep深い learning学習 algorithmアルゴリズム yesterday昨日.
こちらはスタンフォード大のアルゴリズムで
生成されたテキストです
09:45
Andそして hereここに is some一部 textテキスト thatそれ an algorithmアルゴリズム
outでる of Stanfordスタンフォード generated生成された.
それぞれの画像を
説明する文が
09:49
Each of theseこれら sentences文章 wasあった generated生成された
ディープ・ラーニング・アルゴリズムによって
生成されています
09:50
by〜によって aa deep深い learning学習 algorithmアルゴリズム
to describe説明する each of thoseそれら picturesピクチャー.
アルゴリズムは「ギターを弾いている黒いシャツの男」を
前に見たことはありません
09:55
Thisこの algorithmアルゴリズム before has持っている never決して seen見た
aa manおとこ in aa black shirtシャツ playing遊ぶ aa guitarギター.
「男」を見たことはあり
「黒い」ものを見たことはあり
09:59
It'sそれは seen見た aa manおとこ before,
it'sそれは seen見た black before,
「ギター」を見たことはありますが
10:01
it'sそれは seen見た aa guitarギター before,
このキャプションは画像に対して
新しく独自に作り出されたものです
10:03
butだけど itそれ has持っている independently独立して generated生成された
thisこの novel小説 description説明 of thisこの picture画像.
書くことに関してはコンピューターは
まだ人間に及びませんが 近づいています
10:07
We're私たちは stillまだ notない quiteかなり at〜で human人間
performanceパフォーマンス hereここに, butだけど we're私たちは close閉じる.
テストでは4回に1回は
コンピューターの生成した文の方が好ましい —
10:11
In testsテスト, humans人間 prefer好む
theその computer-generatedコンピュータ生成 captionキャプション
という結果になっています
10:15
one1 outでる of four4つの times.
このシステムはできて
まだ2週間しかたっていないので
10:16
Now thisこの systemシステム is now onlyのみ two weeks old古い,
このまま行くと
たぶん来年中には
10:18
soそう probably多分 within以内 theその next year,
コンピューターアルゴリズムの成績が
10:20
theその computerコンピューター algorithmアルゴリズム will意志 be〜する
wellよく past過去 human人間 performanceパフォーマンス
人間を上回るのではと思います
10:23
at〜で theその rateレート thingsもの are going行く.
だからコンピューターは
書くこともできるのです
10:25
Soそう computersコンピュータ canできる alsoまた、 write書きます.
これらをまとめたら
非常に興味深い可能性が開けます
10:28
Soそう we我々 put置く allすべて thisこの together一緒に andそして itそれ leadsリード
to very非常に excitingエキサイティング opportunities機会.
たとえば医療です
10:31
Forために example, in medicine医学,
あるボストンのチームは
コンピューターによって
10:33
aa teamチーム in Bostonボストン announced発表
thatそれ they彼ら had持っていました discovered発見された
医師が がんの診断を
する上で役に立つ
10:35
dozens数十 of new新しい clinically臨床的に relevant関連する features特徴
何十という腫瘍の特徴を発見したと
発表しました
10:38
of tumors腫瘍 whichどの help助けて doctors医師
make作る aa prognosis予後 of aa cancer.
同様にスタンフォードのグループは
10:44
Very非常に similarly同様に, in Stanfordスタンフォード,
組織の拡大画像を見て
10:46
aa groupグループ thereそこ announced発表 thatそれ,
looking探している at〜で tissues組織 under magnification倍率,
がん患者の生存率を
10:50
they've彼らは developed発展した
aa machine機械 learning-based学習ベース systemシステム
人間の病理医よりも
正確に予想する
10:52
whichどの in fact事実 is betterより良い
thanより human人間 pathologists病理学者
機械学習システムを
開発しました
10:55
at〜で predicting予測する survival生存 rates料金
forために cancer sufferers苦しむ人.
どちらのケースも
予測が人間より正確というだけでなく
10:59
In bothどちらも of theseこれら cases症例, notない onlyのみ
wereあった theその predictions予測 moreもっと accurate正確,
新たな科学的洞察を
もたらしています
11:02
butだけど they彼ら generated生成された new新しい insightful洞察力のある science科学.
放射線医学のケースでは
11:05
In theその radiology放射線学 case場合,
人間に理解できる
新しい臨床的な指標です
11:06
they彼ら wereあった new新しい clinical臨床的 indicators指標
thatそれ humans人間 canできる understandわかる.
病理学のケースでは
11:09
In thisこの pathology病理 case場合,
診断において
がん細胞だけでなく
11:11
theその computerコンピューター systemシステム actually実際に discovered発見された
thatそれ theその cells細胞 aroundまわり theその cancer
がんの周囲の細胞も
重要であることを
11:16
are asとして important重要 asとして
theその cancer cells細胞 themselves自分自身
発見しました
11:19
in making作る aa diagnosis診断.
これは病理医が
何十年も教わってきたのとは逆です
11:21
Thisこの is theその opposite反対の of what pathologists病理学者
had持っていました beenされている taught教えた forために decades数十年.
どちらのケースでも
システムは
11:26
In each of thoseそれら two cases症例,
they彼ら wereあった systemsシステム developed発展した
医学の専門家と機械学習の専門家の
組み合わせによって開発されましたが
11:29
by〜によって aa combination組み合わせ of medical医療 experts専門家
andそして machine機械 learning学習 experts専門家,
去年我々はこの面をも
乗り越えました
11:33
butだけど asとして of last最終 year,
we're私たちは now beyond超えて thatそれ tooあまりにも.
これは顕微鏡で見た
人の組織から
11:36
Thisこの is an example of
identifying識別 cancerous癌性の areasエリア
がんの領域を
識別する例です
11:39
of human人間 tissue組織 under aa microscope顕微鏡.
このシステムは
人間の病理医と同じか
11:42
Theその systemシステム beingであること shown示された hereここに
canできる identify識別する thoseそれら areasエリア moreもっと accurately正確に,
それ以上の精度で
がん領域を識別できますが
11:46
orまたは about asとして accurately正確に,
asとして human人間 pathologists病理学者,
医療の知識や経験のない
チームによって
11:49
butだけど wasあった built建てられた entirely完全に with〜と deep深い learning学習
usingを使用して noいいえ medical医療 expertise専門知識
ディープ・ラーニングを使って
開発されました
11:53
by〜によって people who have持ってる
noいいえ backgroundバックグラウンド in theその fieldフィールド.
同様に これは
ニューロンの区分けです
11:56
Similarly同様に, hereここに, thisこの neuronニューロン segmentationセグメンテーション.
今ではニューロンを人間と
同じ正確さで区分けできますが
11:59
We我々 canできる now segmentセグメント neuronsニューロン
about asとして accurately正確に asとして humans人間 canできる,
このシステムは医学を
学んだことのない人々が
12:02
butだけど thisこの systemシステム wasあった developed発展した
with〜と deep深い learning学習
ディープ・ラーニングを使って
開発しました
12:05
usingを使用して people with〜と noいいえ previous
backgroundバックグラウンド in medicine医学.
医学を学んだことのない人間が
医療の会社を始めるのも
12:08
Soそう myself私自身, asとして somebody誰か with〜と
noいいえ previous backgroundバックグラウンド in medicine医学,
もはや変なことではないと思え
12:12
I seem思われる to be〜する entirely完全に wellよく qualified修飾された
to start開始 aa new新しい medical医療 company会社,
実際に会社を作ることにしました
12:15
whichどの I didした.
そうするのは
怖くもありましたが
12:18
I wasあった kind種類 of terrified恐ろしい of doingやっている itそれ,
データ分析技術だけでも
有益な医療サービスは
12:19
butだけど theその theory理論 seemed見えた to suggest提案する
thatそれ itそれ oughtすべきだ to be〜する possible可能
提供可能であると
理論は示しているように見えます
12:22
to do行う very非常に useful有用 medicine医学
usingを使用して justちょうど theseこれら dataデータ analytic分析的 techniques技術.
ありがたいことに
大変好意的な反応を受け取っており
12:28
Andそして thankfullyありがたいことに, theその feedbackフィードバック
has持っている beenされている fantastic素晴らしい,
メディアばかりでなく
12:30
notない justちょうど fromから theその mediaメディア
butだけど fromから theその medical医療 communityコミュニティ,
医学界の人々も
支持してくれています
12:32
who have持ってる beenされている very非常に supportive支持的な.
私たちは医療の
中間部分を受け持って
12:35
Theその theory理論 is thatそれ we我々 canできる take取る
theその middle中間 part of theその medical医療 processプロセス
そこを可能な限り
データ分析で置き換え
12:39
andそして turn順番 thatそれ into dataデータ analysis分析
asとして muchたくさん asとして possible可能,
医師には彼らが最も適した部分をやってもらう
というのが基本方針です
12:42
leaving去る doctors医師 to do行う
what they're彼らは bestベスト at〜で.
例をお見せしたいと思います
12:45
I want欲しいです to give与える you君は an example.
新しい医療診断テストの生成には
現在15分ほどかかります
12:47
Itそれ now takesテイク us米国 about 15 minutes
to generate生成する aa new新しい medical医療 diagnostic診断 testテスト
それをリアルタイムで
ご覧に入れますが
12:51
andそして I'll私はよ showショー you君は thatそれ in realリアル time時間 now,
一部をはしょって
3分に縮めてやります
12:53
butだけど I've私は compressed圧縮された itそれ downダウン to
three minutes by〜によって cutting切断 some一部 pieces作品 outでる.
医療診断テストを作って
お見せするよりは
12:57
Ratherむしろ thanより showing表示 you君は
creating作成 aa medical医療 diagnostic診断 testテスト,
車の画像を診断するテストを
お見せしようと思います
13:00
I'm私は going行く to showショー you君は
aa diagnostic診断 testテスト of car imagesイメージ,
その方が分かりやすいので
13:03
becauseなぜなら that'sそれは something何か
we我々 canできる allすべて understandわかる.
150万の車の画像から
始めます
13:06
Soそう hereここに we're私たちは starting起動 with〜と
about 1.5 million百万 car imagesイメージ,
まず写真を
撮った角度によって
13:09
andそして I want欲しいです to create作成する something何か
thatそれ canできる splitスプリット themそれら into theその angle角度
分類したいと思います
13:12
of theその photo写真 that'sそれは beingであること taken撮影.
画像にラベルはまったく付いておらず
一から始めます
13:14
Soそう theseこれら imagesイメージ are entirely完全に unlabeledラベルなし,
soそう I have持ってる to start開始 fromから scratchスクラッチ.
ディープ・ラーニング・アルゴリズムを使って
13:18
With〜と our我々の deep深い learning学習 algorithmアルゴリズム,
写っている構造領域を
自動的に識別することができます
13:20
itそれ canできる automatically自動的に identify識別する
areasエリア of structure構造 in theseこれら imagesイメージ.
これの良いところは
人とコンピューターで協力して作業できるところです
13:24
Soそう theその niceいい thingもの is thatそれ theその human人間
andそして theその computerコンピューター canできる now work作業 together一緒に.
ご覧のように
13:27
Soそう theその human人間, asとして you君は canできる see見る hereここに,
人が関心のある領域を
コンピューターに教え
13:29
is telling伝える theその computerコンピューター
about areasエリア of interest利子
コンピューターがそれに基づいて
アルゴリズムを改良します
13:32
whichどの itそれ wants望む theその computerコンピューター then次に
to tryお試しください andそして useつかいます to improve改善する itsその algorithmアルゴリズム.
このディープ・ラーニング・システムは
1万6千次元空間になっていて
13:37
Now, theseこれら 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,
その空間の中で
軸を回転させて
13:41
soそう you君は canできる see見る hereここに theその computerコンピューター
rotating回転する thisこの throughを通して thatそれ spaceスペース,
新たな構造領域を
見つけようとします
13:45
trying試す to find見つける new新しい areasエリア of structure構造.
それが成功したら
13:47
Andそして whenいつ itそれ doesする soそう successfully正常に,
人間が関心のある領域を
指摘します
13:48
theその human人間 who is driving運転 itそれ canできる then次に
pointポイント outでる theその areasエリア thatそれ are interesting面白い.
コンピューターがうまく
領域を見つけられました
13:52
Soそう hereここに, theその computerコンピューター has持っている
successfully正常に found見つけた areasエリア,
たとえば角度です
13:55
forために example, anglesアングル.
このプロセスを経ることで
13:57
Soそう asとして we我々 go行く throughを通して thisこの processプロセス,
どのような構造を
探しているのか
13:59
we're私たちは gradually徐々に telling伝える
theその computerコンピューター moreもっと andそして moreもっと
徐々に伝えていきます
14:01
about theその kinds種類 of structures構造
we're私たちは looking探している forために.
これが病気の診断であれば
14:04
You君は canできる imagine想像する in aa diagnostic診断 testテスト
病理医が病的状態にある領域を
識別するとか
14:05
thisこの would〜する be〜する aa pathologist病理学者 identifying識別
areasエリア of pathosis病変, forために example,
放射線医が問題のある可能性のある小結節を示す
といったことを想像できるでしょう
14:09
orまたは aa radiologist放射線科医 indicating指示する
potentially潜在的 troublesome面倒な nodules結節.
時にアルゴリズムには
難しいこともあります
14:14
Andそして sometimes時々 itそれ canできる be〜する
difficult難しい forために theその algorithmアルゴリズム.
今の場合
コンピューターが混乱して
14:16
In thisこの case場合, itそれ got持っている kind種類 of confused混乱した.
前部と後部が
ごちゃまぜになっています
14:18
Theその fronts前線 andそして theその backsバック
of theその cars are allすべて mixed混合 upアップ.
そのため少し注意して
14:21
Soそう hereここに we我々 have持ってる to be〜する aa bitビット moreもっと careful慎重に,
手で前部を後部から
選り分けてやらなければなりません
14:23
manually手動で selecting選択する theseこれら fronts前線
asとして opposed反対 to theその backsバック,
そうやって
こんなグループに関心があるのだと
14:26
then次に telling伝える theその computerコンピューター
thatそれ thisこの is aa typeタイプ of groupグループ
コンピューターに
伝えるのです
14:32
thatそれ we're私たちは interested興味がある in.
こうやって続けていき
少しはしょりますが
14:33
Soそう we我々 do行う thatそれ forために aa whilewhile,
we我々 skipスキップ over以上 aa little少し bitビット,
機械学習アルゴリズムを
改善させるために
14:36
andそして then次に we我々 train列車 theその
machine機械 learning学習 algorithmアルゴリズム
数百の事例を使って
14:38
basedベース on theseこれら coupleカップル of hundred thingsもの,
訓練してやります
14:40
andそして we我々 hope希望 thatそれ it'sそれは gotten得た aa lotロット betterより良い.
画像の一部が
薄れていますが
14:42
You君は canできる see見る, it'sそれは now started開始した to fadeフェード
some一部 of theseこれら picturesピクチャー outでる,
これはどう理解すれば良いか
既に認識されたものです
14:45
showing表示 us米国 thatそれ itそれ already既に is recognizing認識
howどうやって to understandわかる some一部 of theseこれら itself自体.
それから似たイメージという概念を
使ってやることで
14:50
We我々 canできる then次に useつかいます thisこの concept概念
of similar類似 imagesイメージ,
コンピューターが
車の前部だけを
14:53
andそして usingを使用して similar類似 imagesイメージ, you君は canできる now see見る,
見つけられるように
なりました
14:55
theその computerコンピューター at〜で thisこの pointポイント is ableできる to
entirely完全に find見つける justちょうど theその fronts前線 of cars.
そうなったら
人間がコンピューターに
14:59
Soそう at〜で thisこの pointポイント, theその human人間
canできる telltell theその computerコンピューター,
その点で上手くできていることを
教えてやります
15:02
okayはい, yesはい, you'veあなたは done完了
aa good良い jobジョブ of thatそれ.
もちろんこの期に及んでも
15:05
Sometimes時々, of courseコース, even偶数 at〜で thisこの pointポイント
ある種のグループを分離するのが
難しいことがあります
15:07
it'sそれは stillまだ difficult難しい
to separate別々の outでる groupsグループ.
今の場合 コンピューターに
しばらく回転をさせても
15:11
In thisこの case場合, even偶数 after we我々 let〜する theその
computerコンピューター tryお試しください to rotate回転する thisこの forために aa whilewhile,
依然として
左側と右側の画像が
15:15
we我々 stillまだ find見つける thatそれ theその left sides両側
andそして theその right sides両側 picturesピクチャー
混在しています
15:18
are allすべて mixed混合 upアップ together一緒に.
コンピューターにもう
少しヒントをやり
15:20
Soそう we我々 canできる again再び give与える
theその computerコンピューター some一部 hintsヒント,
右側と左側を可能な限り
分離できる射影を
15:22
andそして we我々 sayいう, okayはい, tryお試しください andそして find見つける
aa projection投影 thatそれ separates分離する outでる
ディープ・ラーニング・
アルゴリズムを使って
15:25
theその left sides両側 andそして theその right sides両側
asとして muchたくさん asとして possible可能
見つけられるようにします
15:27
usingを使用して thisこの deep深い learning学習 algorithmアルゴリズム.
そのヒントを与えることで —
上手くいきました
15:30
Andそして giving与える itそれ thatそれ hintヒント ---
ahああ, okayはい, it'sそれは beenされている successful成功した.
右側と左側を
見分ける方法を
15:33
It'sそれは managed管理された to find見つける aa way方法
of thinking考え about theseこれら objectsオブジェクト
どうにか見つけられました
15:35
that'sそれは separated分離された outでる theseこれら together一緒に.
基本的な考え方を
分かっていただけたと思います
15:38
Soそう you君は get取得する theその ideaアイディア hereここに.
これは人間がコンピューターに
置き換えられるという話ではなく —
15:40
Thisこの is aa case場合 notない whereどこで theその human人間
is beingであること replaced置き換えられた by〜によって aa computerコンピューター,
人とコンピューターが
協力するということです
15:48
butだけど whereどこで they're彼らは workingワーキング together一緒に.
やろうとしているのは
これまでは5、6人のチームで
15:51
What we're私たちは doingやっている hereここに is we're私たちは replacing置き換える
something何か thatそれ used中古 to take取る aa teamチーム
何年もかかっていた
ようなことを
15:55
of five orまたは six6 people about sevenセブン years
1人で15分ほどで
できるようにする
15:57
andそして replacing置き換える itそれ with〜と something何か
thatそれ takesテイク 15 minutes
ということです
15:59
forために one1 person acting演技 alone単独で.
このプロセスには
4、5回の反復が必要です
16:02
Soそう thisこの processプロセス takesテイク about
four4つの orまたは five iterations反復.
150万の画像を
62%の精度で
16:06
You君は canできる see見る we我々 now have持ってる 62 percentパーセント
分類できるようになりました
16:08
of our我々の 1.5 million百万 imagesイメージ
classified分類された correctly正しく.
そうなったら
16:10
Andそして at〜で thisこの pointポイント, we我々
canできる start開始 to quiteかなり quickly早く
大きなセクションを選んで
16:13
grabつかむ whole全体 big大きい sectionsセクション,
誤りがないか
素早くチェックできます
16:14
checkチェック throughを通して themそれら to make作る sure確かに
thatそれ there'sそこに noいいえ mistakes間違い.
誤りがあった場合は
コンピューターに教えてやります
16:17
Whereどこで thereそこ are mistakes間違い, we我々 canできる
let〜する theその computerコンピューター know知っている about themそれら.
それぞれのグループについて
そういうことを行うことで
16:21
Andそして usingを使用して thisこの kind種類 of processプロセス
forために each of theその different異なる groupsグループ,
150万の画像を
80%の精度で
16:24
we我々 are now upアップ to
an 80 percentパーセント success成功 rateレート
分類できるようになりました
16:27
in classifying分類 theその 1.5 million百万 imagesイメージ.
そうしたら
16:29
Andそして at〜で thisこの pointポイント, it'sそれは justちょうど aa case場合
正しく分類されなかった
少数のケースについて
16:31
of finding所見 theその small小さい number
thatそれ aren'tない classified分類された correctly正しく,
その理由を考えます
16:35
andそして trying試す to understandわかる whyなぜ.
このアプローチを
15分やることで
16:38
Andそして usingを使用して thatそれ approachアプローチ,
97%の精度で
分類できるようになりました
16:39
by〜によって 15 minutes we我々 get取得する
to 97 percentパーセント classification分類 rates料金.
このようなテクニックは
世界の重要な問題を解決してくれるでしょう
16:43
Soそう thisこの kind種類 of technique技術
couldできた allow許す us米国 to fix修正する aa majorメジャー problem問題,
世界的な医師不足です
16:48
whichどの is thatそれ there'sそこに aa lack欠如
of medical医療 expertise専門知識 in theその world世界.
世界経済フォーラムは
発展途上国において
16:51
Theその World世界 Economic経済的 Forumフォーラム says言う
thatそれ there'sそこに betweenの間に aa 10xバツ andそして aa 20xバツ
医師が今の10倍から20倍必要で
16:55
shortage不足 of physicians医師
in theその developing現像 world世界,
それだけの医師を育てるには
16:57
andそして itそれ would〜する take取る about 300 years
300年かかると言っています
16:59
to train列車 enough十分な people
to fix修正する thatそれ problem問題.
ディープ・ラーニングを使って
医療の効率を上げることで
17:02
Soそう imagine想像する ifif we我々 canできる help助けて
enhance強化する their彼らの efficiency効率
対処するというのは
どうでしょう?
17:05
usingを使用して theseこれら deep深い learning学習 approachesアプローチ?
このような機会に
私はワクワクしていますが
17:08
Soそう I'm私は very非常に excited興奮した
about theその opportunities機会.
同時に懸念している
こともあります
17:10
I'm私は alsoまた、 concerned心配している about theその problems問題.
地図で青になっている国は
17:13
Theその problem問題 hereここに is thatそれ
everyすべて areaエリア in blue on thisこの map地図
雇用の80%以上が
サービス業のところです
17:16
is somewhereどこかで whereどこで servicesサービス
are over以上 80 percentパーセント of employment雇用.
サービスとは何か?
17:20
What are servicesサービス?
このようなものです
17:21
Theseこれら are servicesサービス.
これらのことは コンピューターが
できるようになりつつあることでもあります
17:23
Theseこれら are alsoまた、 theその exact正確 thingsもの thatそれ
computersコンピュータ have持ってる justちょうど learned学んだ howどうやって to do行う.
先進国の雇用の80%は
コンピューターができるようになったことで
17:27
Soそう 80 percentパーセント of theその world's世界の employment雇用
in theその developed発展した world世界
成り立っているのです
17:31
is stuffもの thatそれ computersコンピュータ
have持ってる justちょうど learned学んだ howどうやって to do行う.
これは何を
意味するのでしょう?
17:33
What doesする thatそれ mean平均?
「他の仕事で置き換えられるから
問題ないよ
17:35
Wellよく, it'llそれはよ be〜する fine細かい.
They'll彼らは be〜する replaced置き換えられた by〜によって otherその他 jobsジョブ.
たとえば
データサイエンティストの仕事とか」
17:37
Forために example, thereそこ will意志 be〜する
moreもっと jobsジョブ forために dataデータ scientists科学者.
と思うかもしれませんが
17:40
Wellよく, notない really本当に.
このようなものをデータサイエンティストが構築するのに
そう時間はかかりません
17:41
Itそれ doesn'tしない take取る dataデータ scientists科学者
very非常に long長いです to buildビルドする theseこれら thingsもの.
たとえば今回取り上げた4つのアルゴリズムは
1人の人間によって作られたものです
17:44
Forために example, theseこれら four4つの algorithmsアルゴリズム
wereあった allすべて built建てられた by〜によって theその same同じ guy.
こういうことは
以前にも起き
17:47
Soそう ifif you君は think思う, ohああ,
it'sそれは allすべて happened起こった before,
新しいものが現れては
古い職が新しい職で
17:50
we've私たちは seen見た theその results結果 in theその past過去
of whenいつ new新しい thingsもの come来る along一緒に
置き換えられてきた
と言うなら
17:54
andそして they彼ら get取得する replaced置き換えられた by〜によって new新しい jobsジョブ,
その新しい職は
どのようなものになるのでしょう?
17:56
what are theseこれら new新しい jobsジョブ going行く to be〜する?
とても難しい問題です
17:58
It'sそれは very非常に hardハード forために us米国 to estimate推定 thisこの,
なぜなら人間の能力は
徐々にしか向上しませんが
18:00
becauseなぜなら human人間 performanceパフォーマンス
grows成長する at〜で thisこの gradual徐々に rateレート,
ディープ・ラーニング・
システムの能力は
18:03
butだけど we我々 now have持ってる aa systemシステム, deep深い learning学習,
指数関数的に
向上しているからです
18:05
thatそれ we我々 know知っている actually実際に grows成長する
in capability能力 exponentially指数関数的に.
私達がいるのは
追い抜かれる一歩手前です
18:08
Andそして we're私たちは hereここに.
今は周りを見渡して
18:10
Soそう currently現在, we我々 see見る theその thingsもの aroundまわり us米国
「コンピューターはまだ馬鹿だ」
と思っていても
18:12
andそして we我々 sayいう, "Ohああ, computersコンピュータ
are stillまだ prettyかなり dumbダム." Right?
5年もしたら
このグラフの天井を突き破ってしまうでしょう
18:15
Butだけど in five years' time時間,
computersコンピュータ will意志 be〜する offオフ thisこの chartチャート.
私たちは今この能力について
考える必要があるのです
18:18
Soそう we我々 need必要 to be〜する starting起動 to think思う
about thisこの capability能力 right now.
前にも似たことは
経験しています
18:22
We我々 have持ってる seen見た thisこの once一度 before, of courseコース.
産業革命です
18:24
In theその Industrial工業用 Revolution革命,
エンジンの出現による
能力の急激な変化がありました
18:25
we我々 saw見た aa 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.
しかししばらくすると
物事はまた落ち着きました
18:29
Theその thingもの is, thoughしかし,
thatそれ after aa whilewhile, thingsもの flattened平らにされた outでる.
社会的な変動はありましたが
18:32
Thereそこ wasあった socialソーシャル disruption混乱,
あらゆる場面でエンジンが
使われるようになると
18:34
butだけど once一度 enginesエンジン wereあった used中古
to generate生成する powerパワー in allすべて theその situations状況,
状況は安定したのです
18:37
thingsもの really本当に settled落ち着いた downダウン.
機械学習の革命は
18:40
Theその Machine機械 Learning学習 Revolution革命
産業革命とは
全然違うものになるでしょう
18:41
is going行く to be〜する very非常に different異なる
fromから theその Industrial工業用 Revolution革命,
機械学習の革命は
留まることがないからです
18:44
becauseなぜなら theその Machine機械 Learning学習 Revolution革命,
itそれ never決して settles落ち着く downダウン.
より優れたコンピューターが
知的活動を受け持ち
18:47
Theその betterより良い computersコンピュータ get取得する
at〜で intellectual知的 activitiesアクティビティ,
それによって 知的活動にさらに優れた
コンピューターが作れるようになり
18:50
theその moreもっと they彼ら canできる buildビルドする betterより良い computersコンピュータ
to be〜する betterより良い at〜で intellectual知的 capabilities能力,
世界がかつて
経験したことのないような
18:54
soそう thisこの is going行く to be〜する aa kind種類 of change変化する
変化を起こすことに
なるでしょう
18:56
thatそれ theその world世界 has持っている actually実際に
never決して experienced経験豊富な before,
何が起こりうるかについての
以前の知見は 当てはまらないのです
18:59
soそう yourきみの previous understanding理解
of what's何ですか possible可能 is different異なる.
この影響は既に現れています
19:02
Thisこの is already既に impacting影響を与える us米国.
過去25年で
資本生産性は増大しましたが
19:04
In theその last最終 25 years,
asとして capital資本 productivity生産性 has持っている increased増加した,
労働生産性は平坦で
むしろ少し下がっています
19:08
labor労働 productivity生産性 has持っている beenされている flat平らな,
in fact事実 even偶数 aa little少し bitビット downダウン.
だから この議論を
今始めて欲しいのです
19:13
Soそう I want欲しいです us米国 to start開始
having持つ thisこの discussion討論 now.
私がこの状況を
説明しても
19:16
I know知っている thatそれ whenいつ I oftenしばしば telltell people
about thisこの situation状況,
なかなか真剣に
取り合ってもらえません
19:19
people canできる be〜する quiteかなり dismissive否定的な.
「コンピューターには
本当に思考することはできない」
19:20
Wellよく, computersコンピュータ can'tできない really本当に think思う,
「感情がない」
「詩を理解しない」
19:22
they彼ら don'tしない emote感情,
they彼ら don'tしない understandわかる poetry,
「我々は腦の働きを本当に理解してはいない」
などなど
19:25
we我々 don'tしない really本当に understandわかる howどうやって they彼ら work作業.
だったら何でしょう?
19:27
Soそう what?
人間がお金をもらい
時間を費やして
19:29
Computersコンピュータ right now canできる do行う theその thingsもの
やっていたことが
機械にも可能になっているんです
19:31
thatそれ humans人間 spend費やす most最も
of their彼らの time時間 beingであること paid支払った to do行う,
この新たな現実を踏まえて
19:33
soそう now's theその time時間 to start開始 thinking考え
社会構造や経済構造を
どう調整したら良いか
19:35
about howどうやって we're私たちは going行く to adjust調整する our我々の
socialソーシャル structures構造 andそして economic経済的 structures構造
考え始めるべき時です
19:40
to be〜する aware承知して of thisこの new新しい reality現実.
ありがとうございました
19:41
Thank感謝 you君は.
(拍手)
19:43
(Applause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