TEDxBrussels
Jeremy Howard: The wonderful and terrifying implications of computers that can learn
제레미 하워드 (Jeremy Howard): 컴퓨터 학습이 가져올 훌륭하고도 끔찍한 잠재적효과
Filmed:
Readability: 4.5
2,532,971 views
우리가 컴퓨터에게 배우는 법을 가르친다면 무슨 일이 일어날까요? 기술 전문가 제레미 하워드는 빠르게 발전하는 심화 학습 분야에서 일어난 놀랍고도 새로운 개발을 공유합니다. 심화 학습은 컴퓨터한테 중국어를 배우는 능력을 주고, 사진에서 물체를 인식하게 하거나, 의료 진단를 돕도록 합니다. (유튜브를 몇 시간 본뒤에 "고양이"라는 개념을 스스로 배운 심화 학습 도구) 여러분이 생각하는 것보다 훨씬 빨리 주위의 컴퓨터를 완전히 바꿔버릴 분야를 알아봅시다.
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.
예전에는 컴퓨터가 새로운
일을 하게 만들려면
일을 하게 만들려면
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
프로그램을 짜야 했습니다.
00:16
you would have to program it.
1
4893
1554
프로그래밍을
해본 적이 없는 분들은
해본 적이 없는 분들은
00:18
Now, programming, for those of you here
that haven't done it yourself,
that haven't done it yourself,
2
6447
3411
목표를 달성하기 위해서
00:21
requires laying out in excruciating detail
3
9858
3502
컴퓨터가 해야 할 일을 매 단계마다
00:25
every single step that you want
the computer to do
the computer to do
4
13360
3367
00:28
in order to achieve your goal.
5
16727
2362
고통스러울정도로 세세하게
설정해야 합니다.
설정해야 합니다.
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
자, 하는 방법을 모르는 일을
여러분이 하고 싶다면
여러분이 하고 싶다면
00:34
then this is going
to be a great challenge.
to be a great challenge.
7
22585
2063
그건 아주 커다란 도전이 되겠죠.
00:36
So this was the challenge faced
by this man, Arthur Samuel.
by this man, Arthur Samuel.
8
24648
3483
이것이 아서 사무엘이
직면한 도전이었습니다.
직면한 도전이었습니다.
00:40
In 1956, he wanted to get this computer
9
28131
4077
1956년 그는 컴퓨터가
00:44
to be able to beat him at checkers.
10
32208
2340
서양장기에서
그를 이기기를 바랬습니다.
그를 이기기를 바랬습니다.
00:46
How can you write a program,
11
34548
2040
프로그램을 어떻게 짤 수 있을까요?
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
서양장기에서 여러분보다 잘하도록
극심한 세부사항을 쓸 수 있을까요?
극심한 세부사항을 쓸 수 있을까요?
00:52
So he came up with an idea:
13
40394
1722
그는 새로운 생각을 했습니다.
00:54
he had the computer play
against itself thousands of times
against itself thousands of times
14
42116
3724
컴퓨터가 스스로와 수천 번의
서양장기를 두게 해서
서양장기를 두게 해서
00:57
and learn how to play checkers.
15
45840
2524
서양장기 두는 법을
배우게 했습니다.
배우게 했습니다.
01:00
And indeed it worked,
and in fact, by 1962,
and in fact, by 1962,
16
48364
3180
그 방법은 정말 효과가 있었고
사실 1962년에
사실 1962년에
01:03
this computer had beaten
the Connecticut state champion.
the Connecticut state champion.
17
51544
4017
이 컴퓨터는 코네티컷 주의
우승자를 무찔렀습니다.
우승자를 무찔렀습니다.
01:07
So Arthur Samuel was
the father of machine learning,
the father of machine learning,
18
55561
2973
그래서 아서 사무엘은
기계 학습의 아버지였고
기계 학습의 아버지였고
01:10
and I have a great debt to him,
19
58534
1717
저는 그분께 큰 빚을 지고 있죠.
01:12
because I am a machine
learning practitioner.
learning practitioner.
20
60251
2763
왜냐하면 저는
기계 학습 기술자이니까요.
기계 학습 기술자이니까요.
01:15
I was the president of Kaggle,
21
63014
1465
저는 캐글의 회장인데
01:16
a community of over 200,000
machine learning practictioners.
machine learning practictioners.
22
64479
3388
캐글은 20만 명이 넘는
기계 학습 기술자들의 동호회입니다.
기계 학습 기술자들의 동호회입니다.
01:19
Kaggle puts up competitions
23
67867
2058
캐글은 이전까지 풀지 못했던 문제를
01:21
to try and get them to solve
previously unsolved problems,
previously unsolved problems,
24
69925
3708
해결하기 위한 대회를 주최하는데
01:25
and it's been successful
hundreds of times.
hundreds of times.
25
73633
3837
수백번 성공했습니다.
01:29
So from this vantage point,
I was able to find out
I was able to find out
26
77470
2470
그래서 이런 유리한 시점에서
저는 기계 학습이
저는 기계 학습이
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
과거와 현재에 할 수 있는 일과
미래에 할 수 있는 일을
미래에 할 수 있는 일을
01:35
and what it could do in the future.
28
83890
2362
많이 알 수 있었습니다.
01:38
Perhaps the first big success of
machine learning commercially was Google.
machine learning commercially was Google.
29
86252
4423
아마도 기계 학습이 상업에서 최초로
가장 크게 성공한 것은 구글이었습니다.
가장 크게 성공한 것은 구글이었습니다.
01:42
Google showed that it is
possible to find information
possible to find information
30
90675
3109
구글은 컴퓨터 알고리즘을 사용해서
01:45
by using a computer algorithm,
31
93784
1752
정보를 찾을 수 있음을 보여줬는데
01:47
and this algorithm is based
on machine learning.
on machine learning.
32
95536
2901
이 알고리즘은 기계 학습을
바탕으로 합니다.
바탕으로 합니다.
01:50
Since that time, there have been many
commercial successes of machine learning.
commercial successes of machine learning.
33
98437
3886
그때부터 기계 학습의
상업적 성공이 많이 있었습니다.
상업적 성공이 많이 있었습니다.
01:54
Companies like Amazon and Netflix
34
102323
1837
아마존과 넷플릭스 같은 회사들은
01:56
use machine learning to suggest
products that you might like to buy,
products that you might like to buy,
35
104160
3716
기계 학습을 이용해서
여러분이 사고 싶은 상품이나
여러분이 사고 싶은 상품이나
01:59
movies that you might like to watch.
36
107876
2020
보고 싶은 영화를 제안합니다.
02:01
Sometimes, it's almost creepy.
37
109896
1807
때로는 오싹할 지경이죠.
02:03
Companies like LinkedIn and Facebook
38
111703
1954
링크드인과 페이스북 같은 회사들은
02:05
sometimes will tell you about
who your friends might be
who your friends might be
39
113657
2594
누가 여러분의 친구인지를
말해줄 겁니다.
말해줄 겁니다.
02:08
and you have no idea how it did it,
40
116251
1977
어떻게 그렇게 하는지
여러분은 모릅니다.
여러분은 모릅니다.
02:10
and this is because it's using
the power of machine learning.
the power of machine learning.
41
118228
2967
그 이유는 기계 학습의 힘을
이용하기 때문이죠.
이용하기 때문이죠.
02:13
These are algorithms that have
learned how to do this from data
learned how to do this from data
42
121195
2957
이 알고리즘은 하는 방법을
손으로 쓴 프로그램 보다는
손으로 쓴 프로그램 보다는
02:16
rather than being programmed by hand.
43
124152
3247
데이터에서 배웠습니다.
02:19
This is also how IBM was successful
44
127399
2478
IBM이 왓슨을 이용해 "제퍼디"에서
02:21
in getting Watson to beat
the two world champions at "Jeopardy,"
the two world champions at "Jeopardy,"
45
129877
3862
2명의 세계 챔피언을 성공적으로
무찌른 이유이기도 합니다.
무찌른 이유이기도 합니다.
02:25
answering incredibly subtle
and complex questions like this one.
and complex questions like this one.
46
133739
3225
이처럼 아주 미묘하고
복잡한 질문에 대답했죠.
복잡한 질문에 대답했죠.
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
["고대 '니무르드의 사자'가 2003년
이 도시의 박물관에서 사라졌습니다."
이 도시의 박물관에서 사라졌습니다."
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
이 때문에 우리는 이제 최초의
무인 자동차를 볼 수 있습니다.
무인 자동차를 볼 수 있습니다.
02:35
If you want to be able to tell
the difference between, say,
the difference between, say,
49
143034
2822
나무와 보행자의 차이점,
그게 아주 중요한데
그게 아주 중요한데
02:37
a tree and a pedestrian,
well, that's pretty important.
well, that's pretty important.
50
145856
2632
그걸 구별하고 싶을 때
02:40
We don't know how to write
those programs by hand,
those programs by hand,
51
148488
2587
손으로 프로그램을
어떻게 써야할지 모르지만
어떻게 써야할지 모르지만
02:43
but with machine learning,
this is now possible.
this is now possible.
52
151075
2997
기계 학습으로
이제 가능합니다.
이제 가능합니다.
02:46
And in fact, this car has driven
over a million miles
over a million miles
53
154072
2608
사실 이 자동차는
일반 도로에서 사고 없이
일반 도로에서 사고 없이
02:48
without any accidents on regular roads.
54
156680
3506
수백만 km를 달렸습니다.
이제 우리는 컴퓨터가 배울 수 있고
02:52
So we now know that computers can learn,
55
160196
3914
02:56
and computers can learn to do things
56
164110
1900
우리가 실제로 하는 방법을
02:58
that we actually sometimes
don't know how to do ourselves,
don't know how to do ourselves,
57
166010
2838
모르는 일도 할 수 있도록
배울 수 있음을 압니다.
배울 수 있음을 압니다.
03:00
or maybe can do them better than us.
58
168848
2885
어쩌면 우리보다 잘할 수도 있어요.
03:03
One of the most amazing examples
I've seen of machine learning
I've seen of machine learning
59
171733
4195
기계 학습에서 가장 놀라운 예가
03:07
happened on a project that I ran at Kaggle
60
175928
2392
제가 캐글에서 하는
프로젝트에서 일어났습니다.
프로젝트에서 일어났습니다.
03:10
where a team run by a guy
called Geoffrey Hinton
called Geoffrey Hinton
61
178320
3591
토론토 대학 출신의 제프리 힌튼이
03:13
from the University of Toronto
62
181911
1552
이끄는 팀은
03:15
won a competition for
automatic drug discovery.
automatic drug discovery.
63
183463
2677
자동 신약 개발을 위한
대회에서 이겼습니다.
대회에서 이겼습니다.
03:18
Now, what was extraordinary here
is not just that they beat
is not just that they beat
64
186140
2847
자, 여기서 놀라운 사실은
그들이 머크 또는 국제 학회가
그들이 머크 또는 국제 학회가
03:20
all of the algorithms developed by Merck
or the international academic community,
or the international academic community,
65
188987
4013
개발한 알고리즘을 이겼을 뿐만 아니라
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
어떤 팀원도 화학, 생물학, 생명과학에
관한 지식이 없었다는 점입니다.
관한 지식이 없었다는 점입니다.
03:30
and they did it in two weeks.
67
198061
2169
그들은 2주안에 완성했죠.
03:32
How did they do this?
68
200230
1381
어떻게 했을까요?
03:34
They used an extraordinary algorithm
called deep learning.
called deep learning.
69
202421
2921
그들은 심화 학습이라는
놀라운 알고리즘을 사용했습니다.
놀라운 알고리즘을 사용했습니다.
03:37
So important was this that in fact
the success was covered
the success was covered
70
205342
2949
이것은 사실 아주 중요해서
몇 주가 지난 뒤
몇 주가 지난 뒤
03:40
in The New York Times in a front page
article a few weeks later.
article a few weeks later.
71
208291
3121
뉴욕 타임즈에서
앞면 기사로 다뤘습니다.
앞면 기사로 다뤘습니다.
03:43
This is Geoffrey Hinton
here on the left-hand side.
here on the left-hand side.
72
211412
2735
왼쪽이 제프리 힌튼입니다.
03:46
Deep learning is an algorithm
inspired by how the human brain works,
inspired by how the human brain works,
73
214147
4341
심화 학습은 사람의 뇌가 작용하는
방식에 영감을 받아서 만든
방식에 영감을 받아서 만든
03:50
and as a result it's an algorithm
74
218488
1812
알고리즘으로 그 결과
03:52
which has no theoretical limitations
on what it can do.
on what it can do.
75
220300
3841
할 수 있는 일에 대한
이론적 한계가 없습니다.
이론적 한계가 없습니다.
03:56
The more data you give it and the more
computation time you give it,
computation time you give it,
76
224141
2823
더 많은 데이터와
더 많은 계산 시간을 줄수록
더 많은 계산 시간을 줄수록
더 좋은 결과를 냅니다.
03:58
the better it gets.
77
226964
1312
04:00
The New York Times also
showed in this article
showed in this article
78
228276
2339
뉴욕 타임즈는 이 기사에서
04:02
another extraordinary
result of deep learning
result of deep learning
79
230615
2242
심화 학습의 또다른
놀라운 결과를 보여줬는데
놀라운 결과를 보여줬는데
04:04
which I'm going to show you now.
80
232857
2712
여러분께 보여드리죠.
04:07
It shows that computers
can listen and understand.
can listen and understand.
81
235569
4941
컴퓨터가 듣고
이해할 수 있음을 보여줍니다.
이해할 수 있음을 보여줍니다.
04:12
(Video) Richard Rashid: Now, the last step
82
240510
2711
(영상) 리챠드 라시드:
제가 이 과정에서
제가 이 과정에서
04:15
that I want to be able
to take in this process
to take in this process
83
243221
3025
마지막으로 보여드릴 단계는
04:18
is to actually speak to you in Chinese.
84
246246
4715
실제 중국어로 말하는 것입니다.
04:22
Now the key thing there is,
85
250961
2635
중요한 점은
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
많은 중국인들로부터
엄청난 양의 정보를 모을 수 있었고
엄청난 양의 정보를 모을 수 있었고
04:30
and produce a text-to-speech system
87
258598
2530
글자를 음성으로 바꾸는 시스템을 만들어
04:33
that takes Chinese text
and converts it into Chinese language,
and converts it into Chinese language,
88
261128
4673
중국 글자를 중국 말로 변환시키고
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
제 목소리를 한 시간 정도 녹음해서
04:41
and we've used that to modulate
90
269929
1891
표준 문자 - 음성 변환 시스템을
조절해서
조절해서
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
제 목소리처럼 나도록 만들었습니다.
04:48
Again, the result's not perfect.
92
276364
2540
역시 결과는 완벽하지 않습니다.
04:50
There are in fact quite a few errors.
93
278904
2648
사실 오류가 상당히 있었습니다.
04:53
(In Chinese)
94
281552
2484
(중국어)
04:56
(Applause)
95
284036
3367
(박수)
05:01
There's much work to be done in this area.
96
289446
3576
아직 많은 작업이 필요합니다.
05:05
(In Chinese)
97
293022
3645
(중국어)
05:08
(Applause)
98
296667
3433
(박수)
05:13
Jeremy Howard: Well, that was at
a machine learning conference in China.
a machine learning conference in China.
99
301345
3399
제레미 하워드 : 중국에서 열린
기계 학습 회의였습니다.
기계 학습 회의였습니다.
05:16
It's not often, actually,
at academic conferences
at academic conferences
100
304744
2370
학술 회의에서 실제로
05:19
that you do hear spontaneous applause,
101
307114
1897
즉흥적인 박수를 듣기는 쉽지 않죠.
05:21
although of course sometimes
at TEDx conferences, feel free.
at TEDx conferences, feel free.
102
309011
3676
그래도 TEDx 회의에서는
자유롭게 하세요.
자유롭게 하세요.
05:24
Everything you saw there
was happening with deep learning.
was happening with deep learning.
103
312687
2795
거기서 본 모든 것이
심화 학습으로 일어났습니다.
심화 학습으로 일어났습니다.
05:27
(Applause) Thank you.
104
315482
1525
(박수) 감사합니다.
05:29
The transcription in English
was deep learning.
was deep learning.
105
317007
2282
영어로 옮겨쓰기는 심화 학습이었죠.
05:31
The translation to Chinese and the text
in the top right, deep learning,
in the top right, deep learning,
106
319289
3412
중국어 번역과 오른쪽 위의 글자도
심화 학습이었고
심화 학습이었고
05:34
and the construction of the voice
was deep learning as well.
was deep learning as well.
107
322701
3307
목소리로 재생하는 것 역시
심화 학습이었습니다.
심화 학습이었습니다.
05:38
So deep learning is
this extraordinary thing.
this extraordinary thing.
108
326008
3234
그래서 심화 학습은 놀라운 것입니다.
05:41
It's a single algorithm that
can seem to do almost anything,
can seem to do almost anything,
109
329242
3099
하나의 알고리즘인데
거의 모든 일을 할 수 있어 보입니다.
거의 모든 일을 할 수 있어 보입니다.
05:44
and I discovered that a year earlier,
it had also learned to see.
it had also learned to see.
110
332341
3111
제가 1년 전에 발견했는데
보는 법도 배웠습니다.
보는 법도 배웠습니다.
05:47
In this obscure competition from Germany
111
335452
2176
독일의 애매한 대회인
05:49
called the German Traffic Sign
Recognition Benchmark,
Recognition Benchmark,
112
337628
2597
독일 교통 신호 인식 성능평가에서
05:52
deep learning had learned
to recognize traffic signs like this one.
to recognize traffic signs like this one.
113
340225
3393
심화 학습은 이런 교통 신호를
인식하는 법을 배웠습니다.
인식하는 법을 배웠습니다.
05:55
Not only could it
recognize the traffic signs
recognize the traffic signs
114
343618
2094
교통 신호를 인식할 뿐만 아니라
05:57
better than any other algorithm,
115
345712
1758
어떤 알고리즘보다 낫고
05:59
the leaderboard actually showed
it was better than people,
it was better than people,
116
347470
2719
성적이 사람보다 2배 정도
나은 결과를 보였습니다.
06:02
about twice as good as people.
117
350189
1852
06:04
So by 2011, we had the first example
118
352041
1996
2011년 우리는 사람보다
06:06
of computers that can see
better than people.
better than people.
119
354037
3405
잘 볼 수 있는 컴퓨터의
첫번째 예를 가졌습니다.
첫번째 예를 가졌습니다.
06:09
Since that time, a lot has happened.
120
357442
2049
그후로 많은 일이 일어났죠.
06:11
In 2012, Google announced that
they had a deep learning algorithm
they had a deep learning algorithm
121
359491
3514
2012년 구글은 심화 학습 알고리즘을
만들었다고 발표했습니다.
만들었다고 발표했습니다.
06:15
watch YouTube videos
122
363005
1415
유튜브 동영상을 보고
06:16
and crunched the data
on 16,000 computers for a month,
on 16,000 computers for a month,
123
364420
3437
한 달에 1만6천 대의
컴퓨터 데이터를 처리해서
컴퓨터 데이터를 처리해서
06:19
and the computer independently learned
about concepts such as people and cats
about concepts such as people and cats
124
367857
4361
컴퓨터는 그냥 동영상을 보는 것만으로
사람과 고양이 같은 개념을
사람과 고양이 같은 개념을
06:24
just by watching the videos.
125
372218
1809
스스로 학습했습니다.
06:26
This is much like the way
that humans learn.
that humans learn.
126
374027
2352
사람이 배우는 방법과 비슷하죠.
06:28
Humans don't learn
by being told what they see,
by being told what they see,
127
376379
2740
사람들은 보는 것을
알려줘서 배우는 게 아니라
알려줘서 배우는 게 아니라
06:31
but by learning for themselves
what these things are.
what these things are.
128
379119
3331
그것이 뭔지 스스로 배웁니다.
06:34
Also in 2012, Geoffrey Hinton,
who we saw earlier,
who we saw earlier,
129
382450
3369
또한 2012년 우리가 앞서 봤던
제프리 힌튼은
제프리 힌튼은
06:37
won the very popular ImageNet competition,
130
385819
2858
아주 유명한 이미지넷 대회에서
우승했는데
우승했는데
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
1백만 5천장의 사진을 보고
그게 어떤 사진인지
그게 어떤 사진인지
06:44
what they're pictures of.
132
392818
1438
맞추는 내용이죠.
06:46
As of 2014, we're now down
to a six percent error rate
to a six percent error rate
133
394256
3533
2014년 이제 영상 인식에서
6%의 오차율까지
6%의 오차율까지
06:49
in image recognition.
134
397789
1453
내려갔습니다.
06:51
This is better than people, again.
135
399242
2026
이것도 사람보다 낫습니다.
06:53
So machines really are doing
an extraordinarily good job of this,
an extraordinarily good job of this,
136
401268
3769
기계는 정말 놀라울만큼
일을 잘하고 있고
일을 잘하고 있고
06:57
and it is now being used in industry.
137
405037
2269
이제 산업에서 사용됩니다.
06:59
For example, Google announced last year
138
407306
3042
예를 들어, 구글은 작년에
07:02
that they had mapped every single
location in France in two hours,
location in France in two hours,
139
410348
4585
프랑스의 구석구석을 2시간 안에
지도로 만들었다고 발표했는데
지도로 만들었다고 발표했는데
07:06
and the way they did it was
that they fed street view images
that they fed street view images
140
414933
3447
그들이 한 방법은
길거리에서 찍은 사진을
길거리에서 찍은 사진을
07:10
into a deep learning algorithm
to recognize and read street numbers.
to recognize and read street numbers.
141
418380
4319
심화 학습 알고리즘에 입력해서
주소를 인식하고 읽게 했습니다.
주소를 인식하고 읽게 했습니다.
07:14
Imagine how long
it would have taken before:
it would have taken before:
142
422699
2220
이전에는 얼마나 오래 걸렸을지
생각해보세요.
생각해보세요.
07:16
dozens of people, many years.
143
424919
3355
수십명의 사람들이 몇 년동안 했겠죠.
07:20
This is also happening in China.
144
428274
1911
이것은 중국에서도 일어나고 있습니다.
07:22
Baidu is kind of
the Chinese Google, I guess,
the Chinese Google, I guess,
145
430185
4036
바이두는 중국판 구글이라고
제가 추측하는데
제가 추측하는데
07:26
and what you see here in the top left
146
434221
2283
왼쪽 위에서 보는 것은
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
바이두의 심화 학습 시스템에
제가 올린 사진의 예이고
제가 올린 사진의 예이고
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
그 아래에 그 사진이 뭔지를
시스템이 이해하고
시스템이 이해하고
07:36
and found similar images.
149
444247
2236
비슷한 사진들을 찾아놓은 것을
볼 수 있죠.
볼 수 있죠.
07:38
The similar images actually
have similar backgrounds,
have similar backgrounds,
150
446483
2736
비슷한 사진들은 실제로
비슷한 배경과
비슷한 배경과
07:41
similar directions of the faces,
151
449219
1658
비슷한 얼굴 방향을 갖고 있고
07:42
even some with their tongue out.
152
450877
1788
혀를 내민 모습도 비슷하죠.
07:44
This is not clearly looking
at the text of a web page.
at the text of a web page.
153
452665
3030
이것은 웹페이지의 글자를
찾은 게 아닙니다.
찾은 게 아닙니다.
07:47
All I uploaded was an image.
154
455695
1412
제가 올린 것은 사진이었죠.
07:49
So we now have computers which
really understand what they see
really understand what they see
155
457107
4021
이제 컴퓨터가 본 것을 정말 이해해서
07:53
and can therefore search databases
156
461128
1624
수천만 장의 사진이 든
07:54
of hundreds of millions
of images in real time.
of images in real time.
157
462752
3554
데이터베이스를 실시간으로
찾을 수 있습니다.
찾을 수 있습니다.
07:58
So what does it mean
now that computers can see?
now that computers can see?
158
466306
3230
컴퓨터가 볼 수 있다는 게
무슨 의미일까요?
무슨 의미일까요?
08:01
Well, it's not just
that computers can see.
that computers can see.
159
469536
2017
컴퓨터가 볼 수 있다는 것만이 아니라
08:03
In fact, deep learning
has done more than that.
has done more than that.
160
471553
2069
사실 심화 학습은
더 많은 일을 했습니다.
더 많은 일을 했습니다.
08:05
Complex, nuanced sentences like this one
161
473622
2948
이렇게 복잡하고 미묘한 문장은
08:08
are now understandable
with deep learning algorithms.
with deep learning algorithms.
162
476570
2824
이제 심화 학습 알고리즘으로
이해할 수 있습니다.
이해할 수 있습니다.
08:11
As you can see here,
163
479394
1303
여기서 보듯이
08:12
this Stanford-based system
showing the red dot at the top
showing the red dot at the top
164
480697
2768
위에 있는 빨간점을 보여주는
스탠포드에 있는 시스템은
스탠포드에 있는 시스템은
08:15
has figured out that this sentence
is expressing negative sentiment.
is expressing negative sentiment.
165
483465
3919
이 문장이 부정적인 느낌을
표현하는 것을 알아냈습니다.
표현하는 것을 알아냈습니다.
08:19
Deep learning now in fact
is near human performance
is near human performance
166
487384
3406
심화 학습은 이제 사실
사람에 가깝게
사람에 가깝게
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
문장을 이해하고
그게 어떤 말을 하는지 압니다.
그게 어떤 말을 하는지 압니다.
08:27
Also, deep learning has
been used to read Chinese,
been used to read Chinese,
168
495923
2728
심화 학습은 또한
중국어를 읽는데 사용되었고
중국어를 읽는데 사용되었고
08:30
again at about native
Chinese speaker level.
Chinese speaker level.
169
498651
3156
중국어 원어민 수준입니다.
08:33
This algorithm developed
out of Switzerland
out of Switzerland
170
501807
2168
이 알고리즘은 스위스에서 개발되었는데
개발자 중 중국어를 할 수 있는 사람이
아무도 없었습니다.
아무도 없었습니다.
08:35
by people, none of whom speak
or understand any Chinese.
or understand any Chinese.
171
503975
3356
08:39
As I say, using deep learning
172
507331
2051
심화 학습을 사용하는 것은
08:41
is about the best system
in the world for this,
in the world for this,
173
509382
2219
사람의 이해에 비해서도
08:43
even compared to native
human understanding.
human understanding.
174
511601
5117
세계 최고의 시스템에 관한 것입니다.
08:48
This is a system that we
put together at my company
put together at my company
175
516718
2964
이것은 우리가 회사에서
08:51
which shows putting
all this stuff together.
all this stuff together.
176
519682
2046
모든 것을 다 통합해서
만든 시스템입니다.
만든 시스템입니다.
08:53
These are pictures which
have no text attached,
have no text attached,
177
521728
2461
이것들은 글자가 없는 사진들로서
08:56
and as I'm typing in here sentences,
178
524189
2352
제가 문장을 입력하면
08:58
in real time it's understanding
these pictures
these pictures
179
526541
2969
실시간으로 그 사진들을 이해해서
09:01
and figuring out what they're about
180
529510
1679
그게 어떤 사진인지 알고
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
제가 쓰는 글에 대해
비슷한 사진을 찾아줍니다.
비슷한 사진을 찾아줍니다.
09:06
So you can see, it's actually
understanding my sentences
understanding my sentences
182
534352
2756
보다시피 제가 쓴 글을 이해하고
09:09
and actually understanding these pictures.
183
537108
2224
이 사진들을 실제로 이해합니다.
09:11
I know that you've seen
something like this on Google,
something like this on Google,
184
539332
2559
여러분은 구글에서
이와 비슷한 것을 봤을 텐데
이와 비슷한 것을 봤을 텐데
09:13
where you can type in things
and it will show you pictures,
and it will show you pictures,
185
541891
2775
여러분이 글자를 입력하면
사진을 보여줍니다.
사진을 보여줍니다.
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
하지만 실제로는 그 글자가 있는
웹페이지를 찾는 거죠.
웹페이지를 찾는 거죠.
09:20
This is very different from actually
understanding the images.
understanding the images.
187
548090
3001
이것은 사진을 실제로 이해하는 것과
아주 다릅니다.
아주 다릅니다.
09:23
This is something that computers
have only been able to do
have only been able to do
188
551091
2752
이것은 컴퓨터가 지난 몇 달동안
09:25
for the first time in the last few months.
189
553843
3248
처음으로 할 수 있었던 일입니다.
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
이제 컴퓨터는 볼 수 있을 뿐만 아니라
읽을 수도 있고
읽을 수도 있고
09:33
and, of course, we've shown that they
can understand what they hear.
can understand what they hear.
191
561182
3765
물론 들은 것도 이해할 수 있음을
봤습니다.
봤습니다.
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
컴퓨터가 쓸 줄 안다고 얘기해도
이제는 놀라지 않으실 거에요.
이제는 놀라지 않으실 거에요.
09:40
Here is some text that I generated
using a deep learning algorithm yesterday.
using a deep learning algorithm yesterday.
193
568389
4783
이것은 심화 학습 알고리즘을 사용해서
어제 제가 만든 글입니다.
어제 제가 만든 글입니다.
09:45
And here is some text that an algorithm
out of Stanford generated.
out of Stanford generated.
194
573172
3924
이것은 스탠포드에서 만든
알고리즘으로 만든 글입니다.
알고리즘으로 만든 글입니다.
09:49
Each of these sentences was generated
195
577096
1764
이 글은 각각의 사진을
09:50
by a deep learning algorithm
to describe each of those pictures.
to describe each of those pictures.
196
578860
4249
설명하기 위해
심화 학습 알고리즘이 만들었습니다.
심화 학습 알고리즘이 만들었습니다.
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
이 알고리즘은 검은색 셔츠를 입고
기타를 치는 남자를 본 적이 없습니다.
기타를 치는 남자를 본 적이 없습니다.
09:59
It's seen a man before,
it's seen black before,
it's seen black before,
198
587581
2220
남자를 본 적이 있고
검은 색을 본 적이 있고
검은 색을 본 적이 있고
10:01
it's seen a guitar before,
199
589801
1599
기타를 본 적은 있어요.
10:03
but it has independently generated
this novel description of this picture.
this novel description of this picture.
200
591400
4294
그런데 스스로 이 사진을
훌륭하게 설명했습니다.
훌륭하게 설명했습니다.
10:07
We're still not quite at human
performance here, but we're close.
performance here, but we're close.
201
595694
3502
아직도 사람보다는 못하지만
꽤 가까이 왔습니다.
꽤 가까이 왔습니다.
10:11
In tests, humans prefer
the computer-generated caption
the computer-generated caption
202
599196
4068
실험에서 사람들은
컴퓨터가 만들어낸 캡션을
컴퓨터가 만들어낸 캡션을
10:15
one out of four times.
203
603264
1527
4회당 1회 꼴로 좋아했습니다.
10:16
Now this system is now only two weeks old,
204
604791
2064
이 시스템은 이제 2주가 되었는데
10:18
so probably within the next year,
205
606855
1846
아마도 내년 안으로
10:20
the computer algorithm will be
well past human performance
well past human performance
206
608701
2801
지금 진행되는 속도로 봐서
컴퓨터 알고리즘이
컴퓨터 알고리즘이
10:23
at the rate things are going.
207
611502
1862
사람을 앞지를 것입니다.
10:25
So computers can also write.
208
613364
3049
컴퓨터는 쓸 수도 있습니다.
10:28
So we put all this together and it leads
to very exciting opportunities.
to very exciting opportunities.
209
616413
3475
그래서 이 모든 기능을 합하면
아주 흥미로운 기회가 생기겠죠.
아주 흥미로운 기회가 생기겠죠.
10:31
For example, in medicine,
210
619888
1492
예를 들어 의학에서
10:33
a team in Boston announced
that they had discovered
that they had discovered
211
621380
2525
보스턴의 팀은 종양에서
10:35
dozens of new clinically relevant features
212
623905
2949
임상적으로 관련된 수십가지의 특징을
새롭게 발견했는데
새롭게 발견했는데
10:38
of tumors which help doctors
make a prognosis of a cancer.
make a prognosis of a cancer.
213
626854
4266
이것으로 의사들이 암을 예측하는데
도움을 줄 수 있습니다.
도움을 줄 수 있습니다.
10:44
Very similarly, in Stanford,
214
632220
2296
스탠포드에서도 비슷하게
10:46
a group there announced that,
looking at tissues under magnification,
looking at tissues under magnification,
215
634516
3663
한 그룹이 조직을 확대경으로 보는
10:50
they've developed
a machine learning-based system
a machine learning-based system
216
638179
2381
기계 학습을 기반으로 한
시스템을 개발했는데
시스템을 개발했는데
10:52
which in fact is better
than human pathologists
than human pathologists
217
640560
2582
사실 암 환자의 생존율을 예측하는데
10:55
at predicting survival rates
for cancer sufferers.
for cancer sufferers.
218
643142
4377
병리학자보다 낫다고 합니다.
10:59
In both of these cases, not only
were the predictions more accurate,
were the predictions more accurate,
219
647519
3245
두 경우 모두
예측이 더 정확할 뿐만 아니라
예측이 더 정확할 뿐만 아니라
11:02
but they generated new insightful science.
220
650764
2502
통찰력있는 과학을
새로 만들어냈습니다.
새로 만들어냈습니다.
11:05
In the radiology case,
221
653276
1505
방사선학의 경우
11:06
they were new clinical indicators
that humans can understand.
that humans can understand.
222
654781
3095
사람이 이해할 수 있는
새로운 임상 징후가 있었습니다.
새로운 임상 징후가 있었습니다.
11:09
In this pathology case,
223
657876
1792
병리학의 경우
11:11
the computer system actually discovered
that the cells around the cancer
that the cells around the cancer
224
659668
4500
컴퓨터 시스템은 진단을 하는데
11:16
are as important as
the cancer cells themselves
the cancer cells themselves
225
664168
3340
실제로 암주변의 세포가
암 세포 만큼이나
암 세포 만큼이나
11:19
in making a diagnosis.
226
667508
1752
중요하다는 사실을 발견했습니다.
11:21
This is the opposite of what pathologists
had been taught for decades.
had been taught for decades.
227
669260
5361
이는 병리학자가 수십년동안
가르친 사실과 반대됩니다.
가르친 사실과 반대됩니다.
11:26
In each of those two cases,
they were systems developed
they were systems developed
228
674621
3292
각각의 경우에서 시스템은
11:29
by a combination of medical experts
and machine learning experts,
and machine learning experts,
229
677913
3621
의학 전문과와 기계 학습 전문가가
함께 개발했지만
함께 개발했지만
11:33
but as of last year,
we're now beyond that too.
we're now beyond that too.
230
681534
2741
작년에 그걸 뛰어넘었습니다.
11:36
This is an example of
identifying cancerous areas
identifying cancerous areas
231
684275
3549
이것은 현미경으로 사람의 조직에서
11:39
of human tissue under a microscope.
232
687824
2530
암 조직을 밝히는 예입니다.
11:42
The system being shown here
can identify those areas more accurately,
can identify those areas more accurately,
233
690354
4613
여기서 보는 시스템은 암 조직을
더 정확히 판별할 수 있고
더 정확히 판별할 수 있고
11:46
or about as accurately,
as human pathologists,
as human pathologists,
234
694967
2775
병리학자만큼이나 정확하게
판별할 수 있지만
판별할 수 있지만
11:49
but was built entirely with deep learning
using no medical expertise
using no medical expertise
235
697742
3392
의학 전문가를 쓰지 않고 그 분야에
지식이 전혀 없는 사람들이
지식이 전혀 없는 사람들이
11:53
by people who have
no background in the field.
no background in the field.
236
701134
2526
심화 학습 만으로 만들었습니다.
11:56
Similarly, here, this neuron segmentation.
237
704730
2555
마찬가지로 여기 신경 분할인데
11:59
We can now segment neurons
about as accurately as humans can,
about as accurately as humans can,
238
707285
3668
사람만큼이나 정확하게
신경을 분할할 수 있지만
신경을 분할할 수 있지만
12:02
but this system was developed
with deep learning
with deep learning
239
710953
2717
이 시스템은 의학에
배경지식이 없는 사람들이
배경지식이 없는 사람들이
12:05
using people with no previous
background in medicine.
background in medicine.
240
713670
3251
심화 학습을 이용해서 만들었습니다.
12:08
So myself, as somebody with
no previous background in medicine,
no previous background in medicine,
241
716921
3227
그래서 저처럼 의학에
배경지식이 없는 사람이
배경지식이 없는 사람이
12:12
I seem to be entirely well qualified
to start a new medical company,
to start a new medical company,
242
720148
3727
새로운 의료 회사를 시작하는데
아주 적합한 사람처럼 보여서
아주 적합한 사람처럼 보여서
12:15
which I did.
243
723875
2146
실제로 그렇게 했죠.
12:18
I was kind of terrified of doing it,
244
726021
1740
공포를 느꼈지만
12:19
but the theory seemed to suggest
that it ought to be possible
that it ought to be possible
245
727761
2889
이론은 이런
데이터 분석기법을 이용해서
데이터 분석기법을 이용해서
12:22
to do very useful medicine
using just these data analytic techniques.
using just these data analytic techniques.
246
730650
5492
아주 유용한 의학이 가능함을
제시해주고 있었죠.
제시해주고 있었죠.
12:28
And thankfully, the feedback
has been fantastic,
has been fantastic,
247
736142
2480
그리고 감사하게도
평가는 좋았습니다.
평가는 좋았습니다.
12:30
not just from the media
but from the medical community,
but from the medical community,
248
738622
2356
미디어 뿐만 아니라 의학계에서도
12:32
who have been very supportive.
249
740978
2344
아주 긍정적이었습니다.
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
그 이론은 의료 과정의 중간 부분을
우리가 가져와서
우리가 가져와서
12:39
and turn that into data analysis
as much as possible,
as much as possible,
251
747471
2893
최대한 데이터 분석을 한 뒤
12:42
leaving doctors to do
what they're best at.
what they're best at.
252
750364
3065
의사들에게 그들이 잘하는 일을
맡기는 거죠.
맡기는 거죠.
12:45
I want to give you an example.
253
753429
1602
예를 보여드리겠습니다.
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
새로운 의료 진단 실험을 하는데
15분쯤 걸리는데
15분쯤 걸리는데
12:51
and I'll show you that in real time now,
255
759975
1954
이제 실시간으로 보여드리죠.
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
몇 단계를 생략해서
3분으로 줄였습니다.
3분으로 줄였습니다.
12:57
Rather than showing you
creating a medical diagnostic test,
creating a medical diagnostic test,
257
765416
3061
의료 진단 실험을
하는 것을 보여주는 대신
하는 것을 보여주는 대신
13:00
I'm going to show you
a diagnostic test of car images,
a diagnostic test of car images,
258
768477
3369
자동차 사진의 진단 실험을
보여드리겠습니다.
보여드리겠습니다.
13:03
because that's something
we can all understand.
we can all understand.
259
771846
2222
왜냐하면 우리 모두
이해할 수 있는 거니까요.
이해할 수 있는 거니까요.
13:06
So here we're starting with
about 1.5 million car images,
about 1.5 million car images,
260
774068
3201
여기서 150만 개의
자동차 사진으로 시작하죠.
자동차 사진으로 시작하죠.
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
사진을 찍은 각도로
13:12
of the photo that's being taken.
262
780475
2223
분류하는 뭔가를 만들고 싶어요.
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
이 사진들은 모두 제목도 없어서
처음부터 시작해야 됩니다.
처음부터 시작해야 됩니다.
13:18
With our deep learning algorithm,
264
786586
1865
심화 학습 알고리즘으로
13:20
it can automatically identify
areas of structure in these images.
areas of structure in these images.
265
788451
3707
이 사진들의 구조를
자동으로 구별할 수 있습니다.
자동으로 구별할 수 있습니다.
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
좋은 점은 사람과 컴퓨터가
함께 일할 수 있다는 거죠.
함께 일할 수 있다는 거죠.
13:27
So the human, as you can see here,
267
795778
2178
사람은 여기서 보다시피
13:29
is telling the computer
about areas of interest
about areas of interest
268
797956
2675
컴퓨터한테 관심분야를 말하고
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
컴퓨터가 알고리즘을 개선하죠.
13:37
Now, these deep learning systems actually
are in 16,000-dimensional space,
are in 16,000-dimensional space,
270
805281
4296
자, 이 심화 학습 시스템은 실제로
1만6천 차원의 공간을 가집니다.
1만6천 차원의 공간을 가집니다.
13:41
so you can see here the computer
rotating this through that space,
rotating this through that space,
271
809577
3432
컴퓨터가 이것을 그 공간사이로
회전하는 것을 볼 수 있습니다.
회전하는 것을 볼 수 있습니다.
13:45
trying to find new areas of structure.
272
813009
1992
새로운 구조를 발견하려는 거죠.
13:47
And when it does so successfully,
273
815001
1781
컴퓨터가 성공적으로 끝내면
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
그걸 작동하는 사람은
관심있는 분야를 가리킵니다.
관심있는 분야를 가리킵니다.
13:52
So here, the computer has
successfully found areas,
successfully found areas,
275
820786
2422
여기서 컴퓨터는 그 분야를
성공적으로 찾아냈는데
성공적으로 찾아냈는데
13:55
for example, angles.
276
823208
2562
이 경우는 각도이죠.
13:57
So as we go through this process,
277
825770
1606
우리가 이 과정을 거쳐가면서
13:59
we're gradually telling
the computer more and more
the computer more and more
278
827376
2340
컴퓨터한테 우리가 찾고 있는
구조에 대해서
구조에 대해서
14:01
about the kinds of structures
we're looking for.
we're looking for.
279
829716
2428
단계적으로 더 많이 말해줍니다.
14:04
You can imagine in a diagnostic test
280
832144
1772
진단 실험에서
14:05
this would be a pathologist identifying
areas of pathosis, for example,
areas of pathosis, for example,
281
833916
3350
병리학자가 병적 상태인 곳을
밝혀내거나
밝혀내거나
14:09
or a radiologist indicating
potentially troublesome nodules.
potentially troublesome nodules.
282
837266
5026
방사선의가 문제가 있을 수 있는 혹을
가르키는 것을 상상할 수 있습니다.
가르키는 것을 상상할 수 있습니다.
14:14
And sometimes it can be
difficult for the algorithm.
difficult for the algorithm.
283
842292
2559
알고리즘에서 어려운 부분도 있습니다.
14:16
In this case, it got kind of confused.
284
844851
1964
이 경우 약간 헷갈렸어요.
14:18
The fronts and the backs
of the cars are all mixed up.
of the cars are all mixed up.
285
846815
2550
자동차의 앞과 뒤가 모두 섞여버렸죠.
14:21
So here we have to be a bit more careful,
286
849365
2072
그래서 여기서 좀더 주의해서
14:23
manually selecting these fronts
as opposed to the backs,
as opposed to the backs,
287
851437
3232
뒤가 아니라 앞을 수동으로 선택해서
14:26
then telling the computer
that this is a type of group
that this is a type of group
288
854669
5506
컴퓨터에게 우리가 관심있는
부분이 이 부분이라고
부분이 이 부분이라고
14:32
that we're interested in.
289
860175
1348
얘기를 해야합니다.
14:33
So we do that for a while,
we skip over a little bit,
we skip over a little bit,
290
861523
2677
그래서 한동안 그 작업을 하고
좀 더 건너뛰면
좀 더 건너뛰면
14:36
and then we train the
machine learning algorithm
machine learning algorithm
291
864200
2246
이런 수백 가지 일을 바탕으로
14:38
based on these couple of hundred things,
292
866446
1974
기계 학습 알고리즘을 훈련시켜
14:40
and we hope that it's gotten a lot better.
293
868420
2025
앞으로 더 나아지기를 바랍니다.
14:42
You can see, it's now started to fade
some of these pictures out,
some of these pictures out,
294
870445
3073
보다시피 시스템은 사진들 일부를
사라지게 만들면서
사라지게 만들면서
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
이 사진들을 이해하는 법을
이미 인식하고 있음을 보여줍니다.
이미 인식하고 있음을 보여줍니다.
14:50
We can then use this concept
of similar images,
of similar images,
296
878226
2902
우리는 비슷한 사진의 개념을 이용해서
14:53
and using similar images, you can now see,
297
881128
2094
이제 여러분이 보는 것과 같이
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
이 시점에서 컴퓨터는 자동차의 앞만
찾을 수 있습니다.
찾을 수 있습니다.
14:59
So at this point, the human
can tell the computer,
can tell the computer,
299
887241
2948
이 시점에서 사람은 컴퓨터에게
15:02
okay, yes, you've done
a good job of that.
a good job of that.
300
890189
2293
좋아, 잘 했어. 라고 말할 수 있죠.
15:05
Sometimes, of course, even at this point
301
893652
2185
물론 어떤 경우는 이 시점에도
15:07
it's still difficult
to separate out groups.
to separate out groups.
302
895837
3674
그룹으로 나누기가 어렵습니다.
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
이 경우 컴퓨터가 한동안
이것을 회전하게 내버려둬도
이것을 회전하게 내버려둬도
15:15
we still find that the left sides
and the right sides pictures
and the right sides pictures
304
903399
3345
왼쪽과 오른쪽이 뒤섞인 것을
15:18
are all mixed up together.
305
906744
1478
볼 수 있습니다.
15:20
So we can again give
the computer some hints,
the computer some hints,
306
908222
2140
그래서 컴퓨터한테 다시
힌트를 줘서
힌트를 줘서
15:22
and we say, okay, try and find
a projection that separates out
a projection that separates out
307
910362
2976
심화 학습 알고리즘을 이용해서
15:25
the left sides and the right sides
as much as possible
as much as possible
308
913338
2607
왼쪽과 오른쪽을 가능한 분리시키는
15:27
using this deep learning algorithm.
309
915945
2122
투사도를 찾아라고 합니다.
15:30
And giving it that hint --
ah, okay, it's been successful.
ah, okay, it's been successful.
310
918067
2942
그 힌트를 주면 성공입니다.
15:33
It's managed to find a way
of thinking about these objects
of thinking about these objects
311
921009
2882
이들 물체들을 분리해내는
15:35
that's separated out these together.
312
923891
2380
방법을 스스로 찾은 거죠.
15:38
So you get the idea here.
313
926271
2438
여기서 생각을 얻을 수 있죠.
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
사람이 컴퓨터로 대체되는 경우가 아니라
15:48
but where they're working together.
315
936906
2640
함께 일합니다.
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
우리가 여기서 하는 일은
15:55
of five or six people about seven years
317
943096
2002
5-6명의 팀이 7년쯤 걸리는 일을
15:57
and replacing it with something
that takes 15 minutes
that takes 15 minutes
318
945098
2605
한 사람이 15분 걸려서
15:59
for one person acting alone.
319
947703
2505
하는 일로 대체합니다.
16:02
So this process takes about
four or five iterations.
four or five iterations.
320
950208
3950
이 과정은 4 - 5 번 반복합니다.
16:06
You can see we now have 62 percent
321
954158
1859
보다시피 150만 장의 사진의
16:08
of our 1.5 million images
classified correctly.
classified correctly.
322
956017
2959
62%가 제대로
분류된 것을 볼 수 있죠.
분류된 것을 볼 수 있죠.
16:10
And at this point, we
can start to quite quickly
can start to quite quickly
323
958976
2472
이 시점에서 우리는
16:13
grab whole big sections,
324
961448
1297
전체를 빠르게 잡아서
16:14
check through them to make sure
that there's no mistakes.
that there's no mistakes.
325
962745
2919
실수가 없는지 확인합니다.
16:17
Where there are mistakes, we can
let the computer know about them.
let the computer know about them.
326
965664
3952
실수가 있으면 컴퓨터에게 알리죠.
16:21
And using this kind of process
for each of the different groups,
for each of the different groups,
327
969616
3045
각각의 다른 그룹에서 이런 과정을 통해
16:24
we are now up to
an 80 percent success rate
an 80 percent success rate
328
972661
2487
150만 장의 사진을 분류하는데
16:27
in classifying the 1.5 million images.
329
975148
2415
80%의 성공율을 보입니다.
16:29
And at this point, it's just a case
330
977563
2078
이 시점에서는
16:31
of finding the small number
that aren't classified correctly,
that aren't classified correctly,
331
979641
3579
바르게 분류되지 않은 적은 숫자를 찾아
16:35
and trying to understand why.
332
983220
2888
이유를 알아내는 과정입니다.
16:38
And using that approach,
333
986108
1743
그런 방식으로
16:39
by 15 minutes we get
to 97 percent classification rates.
to 97 percent classification rates.
334
987851
4121
15분 안에 우리는 97%의
분류율을 얻습니다.
분류율을 얻습니다.
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
이런 기술은 우리가 중요한 문제를
고칠 수 있게 하는데
고칠 수 있게 하는데
16:48
which is that there's a lack
of medical expertise in the world.
of medical expertise in the world.
336
996578
3036
그것은 세계에서 의료 전문가가
부족하다는 사실입니다.
부족하다는 사실입니다.
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
세계 경제 포럼은 개발도상국에서
16:55
shortage of physicians
in the developing world,
in the developing world,
338
1003103
2624
10배에서 20배의 의사가
부족하다고 말했는데
부족하다고 말했는데
16:57
and it would take about 300 years
339
1005727
2113
그 문제를 고치기 위해
16:59
to train enough people
to fix that problem.
to fix that problem.
340
1007840
2894
충분한 인원을 교육시키려면
300년이 걸립니다.
300년이 걸립니다.
17:02
So imagine if we can help
enhance their efficiency
enhance their efficiency
341
1010734
2885
이런 심화 학습 방식을 사용해서
17:05
using these deep learning approaches?
342
1013619
2839
그들의 효율을 높일 수 있다고
상상해보세요.
상상해보세요.
17:08
So I'm very excited
about the opportunities.
about the opportunities.
343
1016458
2232
저는 그런 기회에 대해
아주 흥분했습니다.
아주 흥분했습니다.
17:10
I'm also concerned about the problems.
344
1018690
2589
저는 그 문제도 걱정합니다.
17:13
The problem here is that
every area in blue on this map
every area in blue on this map
345
1021279
3124
여기서 문제는 이 지도에서
파란색으로 표시된 곳은
파란색으로 표시된 곳은
17:16
is somewhere where services
are over 80 percent of employment.
are over 80 percent of employment.
346
1024403
3769
서비스가 고용의
80% 이상을 차지합니다.
80% 이상을 차지합니다.
17:20
What are services?
347
1028172
1787
무슨 서비스일까요?
17:21
These are services.
348
1029959
1514
이런 서비스입니다.
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
이것들은 컴퓨터가
방금 배운 것과 똑같습니다.
방금 배운 것과 똑같습니다.
17:27
So 80 percent of the world's employment
in the developed world
in the developed world
350
1035627
3804
개발된 세상에서 고용의 80%가
17:31
is stuff that computers
have just learned how to do.
have just learned how to do.
351
1039431
2532
컴퓨터가 방금 배운 것입니다.
17:33
What does that mean?
352
1041963
1440
그게 뭘 뜻합니까?
17:35
Well, it'll be fine.
They'll be replaced by other jobs.
They'll be replaced by other jobs.
353
1043403
2583
글쎄, 괜찮을거에요.
다른 일자리로 대체되겠죠.
다른 일자리로 대체되겠죠.
17:37
For example, there will be
more jobs for data scientists.
more jobs for data scientists.
354
1045986
2707
예를 들면, 데이터 과학자한테
더 많은 일이 있을 겁니다.
더 많은 일이 있을 겁니다.
17:40
Well, not really.
355
1048693
817
그렇지 않아요.
17:41
It doesn't take data scientists
very long to build these things.
very long to build these things.
356
1049510
3118
데이터 과학자가 이런 것을 만드는데
오래 걸리지 않습니다.
오래 걸리지 않습니다.
17:44
For example, these four algorithms
were all built by the same guy.
were all built by the same guy.
357
1052628
3252
예를 들어, 4가지 알고리즘이 모두
한 사람이 만들었죠.
한 사람이 만들었죠.
17:47
So if you think, oh,
it's all happened before,
it's all happened before,
358
1055880
2438
여러분이 이전에도 이런 일이
벌어졌다고 생각한다면
벌어졌다고 생각한다면
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
과거에 새로운 것이 나타났을 때
그 결과를 본 적이 있죠.
그 결과를 본 적이 있죠.
17:54
and they get replaced by new jobs,
360
1062126
2252
새로운 일자리로 대체되었고
17:56
what are these new jobs going to be?
361
1064378
2116
새로운 일자리는 어떤 것일까요?
17:58
It's very hard for us to estimate this,
362
1066494
1871
이것을 예측하기가 정말 어렵습니다.
18:00
because human performance
grows at this gradual rate,
grows at this gradual rate,
363
1068365
2739
왜냐하면 사람의 성과는
이렇게 점진적인데
이렇게 점진적인데
18:03
but we now have a system, deep learning,
364
1071104
2562
심화 학습 시스템은
18:05
that we know actually grows
in capability exponentially.
in capability exponentially.
365
1073666
3227
능력이 기하급수적으로
증가하는 것을 압니다.
증가하는 것을 압니다.
18:08
And we're here.
366
1076893
1605
우리는 여기에 있죠.
18:10
So currently, we see the things around us
367
1078498
2061
현재 우리는 주변을 보면서 말해요.
18:12
and we say, "Oh, computers
are still pretty dumb." Right?
are still pretty dumb." Right?
368
1080559
2676
"컴퓨터는 정말 바보야." 그렇지?
18:15
But in five years' time,
computers will be off this chart.
computers will be off this chart.
369
1083235
3429
하지만 5년 안에
컴퓨터는 이 도표밖으로 나갈 겁니다.
컴퓨터는 이 도표밖으로 나갈 겁니다.
18:18
So we need to be starting to think
about this capability right now.
about this capability right now.
370
1086664
3865
그래서 이 능력을 지금 당장
생각해야 합니다.
생각해야 합니다.
18:22
We have seen this once before, of course.
371
1090529
2050
물론 전에도 이걸 본 적이 있습니다.
18:24
In the Industrial Revolution,
372
1092579
1387
산업 혁명에서
18:25
we saw a step change
in capability thanks to engines.
in capability thanks to engines.
373
1093966
2851
엔진 덕분에
능력이 한 단계 달라졌죠.
능력이 한 단계 달라졌죠.
18:29
The thing is, though,
that after a while, things flattened out.
that after a while, things flattened out.
374
1097667
3138
하지만 시간이 좀 흐른 뒤
오름세가 멈췄습니다.
오름세가 멈췄습니다.
18:32
There was social disruption,
375
1100805
1702
사회적 분열이 있었지만
18:34
but once engines were used
to generate power in all the situations,
to generate power in all the situations,
376
1102507
3439
엔진을 사용해서
모든 상황에서 동력을 만들어내자
모든 상황에서 동력을 만들어내자
18:37
things really settled down.
377
1105946
2354
모든게 안정되었죠.
18:40
The Machine Learning Revolution
378
1108300
1473
기계 학습 혁명은
18:41
is going to be very different
from the Industrial Revolution,
from the Industrial Revolution,
379
1109773
2909
산업 혁명과는 아주 다릅니다.
18:44
because the Machine Learning Revolution,
it never settles down.
it never settles down.
380
1112682
2950
기계 학습 혁명은 절대
안정되지 않을 거니까요.
안정되지 않을 거니까요.
18:47
The better computers get
at intellectual activities,
at intellectual activities,
381
1115632
2982
컴퓨터의 지능활동이 더 나을수록
18:50
the more they can build better computers
to be better at intellectual capabilities,
to be better at intellectual capabilities,
382
1118614
4248
더 나은 컴퓨터를 만들테고 그 컴퓨터는
지적 능력이 더 뛰어나겠죠.
지적 능력이 더 뛰어나겠죠.
18:54
so this is going to be a kind of change
383
1122862
1908
그래서 이것은 세계가 실제로
18:56
that the world has actually
never experienced before,
never experienced before,
384
1124770
2478
경험해본 적이 없는
변화가 될 것입니다.
변화가 될 것입니다.
18:59
so your previous understanding
of what's possible is different.
of what's possible is different.
385
1127248
3306
여러분이 이전에 가능하다고
이해한 것들이 이제는 다릅니다.
이해한 것들이 이제는 다릅니다.
19:02
This is already impacting us.
386
1130974
1780
이것은 이미 우리에게
영향을 주고 있습니다.
영향을 주고 있습니다.
19:04
In the last 25 years,
as capital productivity has increased,
as capital productivity has increased,
387
1132754
3630
지난 25년간
자본 생산량은 증가했지만
자본 생산량은 증가했지만
19:08
labor productivity has been flat,
in fact even a little bit down.
in fact even a little bit down.
388
1136400
4188
노동 생산량은 변화가 없었고
사실 조금 감소했습니다.
사실 조금 감소했습니다.
19:13
So I want us to start
having this discussion now.
having this discussion now.
389
1141408
2741
그래서 이런 토론을 지금부터
시작하고 싶습니다.
시작하고 싶습니다.
19:16
I know that when I often tell people
about this situation,
about this situation,
390
1144149
3027
제가 이런 상황을 사람들에게
종종 얘기하면
종종 얘기하면
19:19
people can be quite dismissive.
391
1147176
1490
사람들은 아주 무시합니다.
19:20
Well, computers can't really think,
392
1148666
1673
컴퓨터는 진짜 생각할 수 없어.
19:22
they don't emote,
they don't understand poetry,
they don't understand poetry,
393
1150339
3028
감정을 드러내지 못하고
시도 이해를 못하지.
시도 이해를 못하지.
19:25
we don't really understand how they work.
394
1153367
2521
우리는 컴퓨터가 어떻게 작동하는지
정말 이해할 수 없어.
정말 이해할 수 없어.
19:27
So what?
395
1155888
1486
그러니 어쩌라고?
19:29
Computers right now can do the things
396
1157374
1804
컴퓨터는 지금
19:31
that humans spend most
of their time being paid to do,
of their time being paid to do,
397
1159178
2719
사람들이 돈받고 하는 일을
할 수 있습니다.
할 수 있습니다.
19:33
so now's the time to start thinking
398
1161897
1731
그래서 이제는 우리가
19:35
about how we're going to adjust our
social structures and economic structures
social structures and economic structures
399
1163628
4387
이런 새로운 현실을 인식하도록
사회적, 경제적 구조를 조정하는 법을
사회적, 경제적 구조를 조정하는 법을
19:40
to be aware of this new reality.
400
1168015
1840
생각해봐야 할 때입니다.
19:41
Thank you.
401
1169855
1533
감사합니다.
19:43
(Applause)
402
1171388
802
(박수)
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