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

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

翻訳: Yasushi Aoki 校正: Misaki Sato

It used to be that if you wanted to get a computer to do something new,

これまではコンピューターに 何かさせようと思ったら

you would have to program it.

プログラムを書く 必要がありました

Now, programming, for those of you here that haven't done it yourself,

プログラミングはやったことが ないかもしれませんが

requires laying out in excruciating detail

やりたいことを 実現するために

every single step that you want the computer to do

コンピューターが 行うべきことを

in order to achieve your goal.

事細かに指定してやる 必要があります

Now, if you want to do something that you don't know how to do yourself,

だから実現したいことの 具体的なやり方を知らずに

then this is going to be a great challenge.

プログラムを書くというのは 難しい話です

So this was the challenge faced by this man, Arthur Samuel.

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

In 1956, he wanted to get this computer

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

to be able to beat him at checkers.

作りたいと思いました

How can you write a program,

しかしどうしたら 自分より上手く

lay out in excruciating detail, how to be better than you at checkers?

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？

So he came up with an idea:

彼は良い方法を 思いつきました

he had the computer play against itself thousands of times

コンピュータ自身を相手に 何千回も

and learn how to play checkers.

チェッカーの対局をさせて 自分で学ばせるんです

And indeed it worked, and in fact, by 1962,

これはうまくいきました そのプログラムは実際

this computer had beaten the Connecticut state champion.

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

So Arthur Samuel was the father of machine learning,

だからアーサー・サミュエルは 機械学習の父とも言え

and I have a great debt to him,

私自身 彼に 多くを負っています

because I am a machine learning practitioner.

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

I was the president of Kaggle,

私が代表を務めていた

a community of over 200,000 machine learning practictioners.

Keggleには20万人以上の 機械学習専門家が属しています

Kaggle puts up competitions

Keggleでは

to try and get them to solve previously unsolved problems,

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

and it's been successful hundreds of times.

何百回となく 成功を収めています

So from this vantage point, I was able to find out

そのような立場から 機械学習には かつて何ができ

a lot about what machine learning can do in the past, can do today,

今何ができて 将来何ができるようになるか

and what it could do in the future.

多くのことを 学ぶことができました

Perhaps the first big success of machine learning commercially was Google.

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

Google showed that it is possible to find information

Googleは 機械学習を使った

by using a computer algorithm,

アルゴリズムによって

and this algorithm is based on machine learning.

情報を見つけられることを 示しました

Since that time, there have been many commercial successes of machine learning.

それ以来 機械学習の商業的な成功事例が たくさん生まれています

Companies like Amazon and Netflix

AmazonやNetflixのような企業は

use machine learning to suggest products that you might like to buy,

機械学習を使って ユーザーが買いたいであろう商品や

movies that you might like to watch.

見たいであろう映画を 提示していて

Sometimes, it's almost creepy.

その精度は 時に不気味なくらいです

Companies like LinkedIn and Facebook

LinkedInやFacebookは

sometimes will tell you about who your friends might be

知り合いかもしれない人を示唆し なぜ分かったのか

and you have no idea how it did it,

当人には 見当も付きませんが

and this is because it's using the power of machine learning.

これも機械学習の力を 使っているのです

These are algorithms that have learned how to do this from data

手順が事細かに プログラミングされているのではなく

rather than being programmed by hand.

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

This is also how IBM was successful

IBMのワトソンが ジェパディの世界チャンピオン

in getting Watson to beat the two world champions at "Jeopardy,"

２人を破ったのも そのような方法によってで

answering incredibly subtle and complex questions like this one.

ご覧のような複雑な問いに 答えることができました

["The ancient 'Lion of Nimrud' went missing from this city's national museum in 2003 (along with a lot of other stuff)"]

[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]

This is also why we are now able to see the first self-driving cars.

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

If you want to be able to tell the difference between, say,

たとえば木と歩行者を 見分けるといったことが

a tree and a pedestrian, well, that's pretty important.

できる必要があります

We don't know how to write those programs by hand,

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

but with machine learning, this is now possible.

分かりませんが 機械学習で可能になったのです

And in fact, this car has driven over a million miles

事実この車は 事故を起こすこともなく

without any accidents on regular roads.

普通の公道を 何百万キロも走行しています

So we now know that computers can learn,

コンピューターは 単に学べるだけでなく

and computers can learn to do things

どうしたらできるのか

that we actually sometimes don't know how to do ourselves,

分からないようなことも 学ぶことができ

or maybe can do them better than us.

人間よりも上手くなることも あり得るのです

One of the most amazing examples I've seen of machine learning

機械学習で最も目覚ましい 事例の１つは

happened on a project that I ran at Kaggle

私がKeggleで主催した プロジェクトで

where a team run by a guy called Geoffrey Hinton

ジェフリー・ヒントン率いる

from the University of Toronto

トロント大のチームが

won a competition for automatic drug discovery.

薬を発見する競技に 優勝した時です

Now, what was extraordinary here is not just that they beat

これがすごいのは 医薬大手のメルク社や

all of the algorithms developed by Merck or the international academic community,

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

but nobody on the team had any background in chemistry or biology or life sciences,

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

and they did it in two weeks.

しかも たった２週間で やってのけたのです

How did they do this?

どうして可能だったのか？

They used an extraordinary algorithm called deep learning.

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

So important was this that in fact the success was covered

ことの重大さは 数週間後に ニューヨークタイムズ紙の

in The New York Times in a front page article a few weeks later.

一面で取り上げられたことでも 分かると思います

This is Geoffrey Hinton here on the left-hand side.

画面の左に出ているのが ジェフリー・ヒントンです

Deep learning is an algorithm inspired by how the human brain works,

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

and as a result it's an algorithm

何が可能かについて

which has no theoretical limitations on what it can do.

理論的には限界がありません

The more data you give it and the more computation time you give it,

より多くのデータと 処理時間を使うほど

the better it gets.

より良い結果が得られます

The New York Times also showed in this article

ニューヨークタイムズは その記事でもう１つ

another extraordinary result of deep learning

ディープ・ラーニングのすごい事例を 取り上げています

which I'm going to show you now.

それをこれからお見せしましょう

It shows that computers can listen and understand.

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

(Video) Richard Rashid: Now, the last step

(ビデオ) このプロセスの 最後に加えたいステップは

that I want to be able to take in this process

実際に中国語で

is to actually speak to you in Chinese.

話させるということです

Now the key thing there is,

ここで鍵になるのは

we've been able to take a large amount of information from many Chinese speakers

中国語話者から得た 膨大な情報を使って

and produce a text-to-speech system

中国語のテキストを 音声に変える

that takes Chinese text and converts it into Chinese language,

音声合成システムを作り

and then we've taken an hour or so of my own voice

１時間ほどの 私自身の声のデータを使って

and we've used that to modulate

そのシステムを調整し

the standard text-to-speech system so that it would sound like me.

まるで私が話しているかのようにする ということです

Again, the result's not perfect.

まだ完璧なものではありません

There are in fact quite a few errors.

たくさんミスをします

(In Chinese)

(音声合成された中国語訳)

(Applause)

(拍手)

There's much work to be done in this area.

この領域で為されるべきことは まだたくさんあります

(In Chinese)

(音声合成された中国語訳)

(Applause)

(拍手)

Jeremy Howard: Well, that was at a machine learning conference in China.

これは中国で行われた カンファレンスでのものですが

It's not often, actually, at academic conferences

学会で拍手が 沸き起こるというのは

that you do hear spontaneous applause,

あまりないことです

although of course sometimes at TEDx conferences, feel free.

もっともTEDxは もっと自由な雰囲気がありますが

Everything you saw there was happening with deep learning.

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

(Applause) Thank you.

(拍手) どうも

The transcription in English was deep learning.

英語の文字起こしも ディープ・ラーニングだし

The translation to Chinese and the text in the top right, deep learning,

右上の中国語に翻訳されたテキストも ディープ・ラーニングによるもので

and the construction of the voice was deep learning as well.

音声の合成にも ディープ・ラーニングが使われています

So deep learning is this extraordinary thing.

ディープ・ラーニングは このようにすごいものです

It's a single algorithm that can seem to do almost anything,

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

and I discovered that a year earlier, it had also learned to see.

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

In this obscure competition from Germany

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

called the German Traffic Sign Recognition Benchmark,

deep learning had learned to recognize traffic signs like this one.

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

Not only could it recognize the traffic signs

他のアルゴリズムよりも

better than any other algorithm,

上手く識別できた というだけでなく

the leaderboard actually showed it was better than people,

このスコアボードにある通り ２位の人間より

about twice as good as people.

２倍高い精度で 識別できたんです

So by 2011, we had the first example

2011年には コンピューターが人よりも

of computers that can see better than people.

良く見ることができる事例が 生まれたわけです

Since that time, a lot has happened.

それ以来いろんなことが 起きています

In 2012, Google announced that they had a deep learning algorithm

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

watch YouTube videos

YouTubeビデオを見て

and crunched the data on 16,000 computers for a month,

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

and the computer independently learned about concepts such as people and cats

コンピューターが「人」や 「猫」といった概念を

just by watching the videos.

自分で学んだということです

This is much like the way that humans learn.

これは人が学習する方法に 近いものです

Humans don't learn by being told what they see,

人は見たものを 教えられて学ぶよりは

but by learning for themselves what these things are.

むしろそれが何なのか 自分で学んでいくものです

Also in 2012, Geoffrey Hinton, who we saw earlier,

2012年にはまた 先ほど名前の出たジェフリー・ヒントンが

won the very popular ImageNet competition,

有名なImageNet競技会で 優勝しましたが

looking to try to figure out from one and a half million images

これは150万の画像を 何の写真か

what they're pictures of.

判別するというものです

As of 2014, we're now down to a six percent error rate

2014年の時点で 画像認識の誤り率は

in image recognition.

6%までになっています

This is better than people, again.

これも人間より高い精度です

So machines really are doing an extraordinarily good job of this,

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

and it is now being used in industry.

商業的にも 利用されています

For example, Google announced last year

たとえばGoogleは 去年フランス国内のすべての番地を

that they had mapped every single location in France in two hours,

２時間で地図に登録したと 発表しました

and the way they did it was that they fed street view images

その方法は ストリートビューの画像を

into a deep learning algorithm to recognize and read street numbers.

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

Imagine how long it would have taken before:

かつてなら どれほど時間を 要したか分かりません

dozens of people, many years.

何十人掛かりで 何年もかかったでしょう

This is also happening in China.

こちらは中国の Baiduによるもので

Baidu is kind of the Chinese Google, I guess,

中国版のGoogle のようなサービスです

and what you see here in the top left

左上の画像は

is an example of a picture that I uploaded to Baidu's deep learning system,

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

and underneath you can see that the system has understood what that picture is

下に並んでいるのは システムがその画像を理解して

and found similar images.

似た画像を集めた結果です

The similar images actually have similar backgrounds,

類似画像は 似たような背景や

similar directions of the faces,

似た顔の向きを持ち

even some with their tongue out.

同じく舌を出してる ものまであります

This is not clearly looking at the text of a web page.

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

All I uploaded was an image.

アップしたのは 画像だけです

So we now have computers which really understand what they see

今やコンピュータは 見た物を理解して

and can therefore search databases

何億という画像の データベースから

of hundreds of millions of images in real time.

リアルタイムで検索できるまでに なっているのです

So what does it mean now that computers can see?

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？

Well, it's not just that computers can see.

しかしできるのは 見ることだけではありません

In fact, deep learning has done more than that.

ディープ・ラーニングには それ以上のことができます

Complex, nuanced sentences like this one

このような複雑で ニュアンスに富んだ文章を

are now understandable with deep learning algorithms.

ディープ・ラーニング・アルゴリズムは 理解できます

As you can see here,

ご覧いただいているのは

this Stanford-based system showing the red dot at the top

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

has figured out that this sentence is expressing negative sentiment.

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

Deep learning now in fact is near human performance

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

at understanding what sentences are about and what it is saying about those things.

人間に近い精度で 理解できるようになっているのです

Also, deep learning has been used to read Chinese,

ディープ・ラーニングは 中国語を読むのにも使われ

again at about native Chinese speaker level.

中国語のネイティブ話者並の 精度があります

This algorithm developed out of Switzerland

これを開発したのは スイスのチームですが

by people, none of whom speak or understand any Chinese.

その中に中国語の分かる人は いなかったそうです

As I say, using deep learning

ディープ・ラーニングは これに関して

is about the best system in the world for this,

ネイティブの人間にも劣らない

even compared to native human understanding.

最も優れたシステムなのです

This is a system that we put together at my company

これは私の会社で 構築したシステムで

which shows putting all this stuff together.

すべてを組み合わせたものです

These are pictures which have no text attached,

これらの画像には テキストが紐付けされてはおらず

and as I'm typing in here sentences,

ユーザーが文をタイプすると

in real time it's understanding these pictures

リアルタイムで画像を理解し

and figuring out what they're about

何の画像かを判別して

and finding pictures that are similar to the text that I'm writing.

書き込まれた文に近い画像を 見つけます

So you can see, it's actually understanding my sentences

だから私の書いた文と これらの画像を

and actually understanding these pictures.

同時に理解しているわけです

I know that you've seen something like this on Google,

Googleのサイトで 似たものを見たことがあるでしょう

where you can type in things and it will show you pictures,

何かタイプすると 画像が表示されますが

but actually what it's doing is it's searching the webpage for the text.

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

This is very different from actually understanding the images.

画像を理解するというのとは ずいぶん違うことです

This is something that computers have only been able to do

このようなことが できるようになったのは

for the first time in the last few months.

ほんのここ数ヶ月のことです

So we can see now that computers can not only see but they can also read,

コンピューターには「見る」だけでなく 「読む」こともでき

and, of course, we've shown that they can understand what they hear.

「聞く」ことによって理解できることも お見せしました

Perhaps not surprising now that I'm going to tell you they can write.

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

Here is some text that I generated using a deep learning algorithm yesterday.

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

And here is some text that an algorithm out of Stanford generated.

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

Each of these sentences was generated

それぞれの画像を 説明する文が

by a deep learning algorithm to describe each of those pictures.

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

This algorithm before has never seen a man in a black shirt playing a guitar.

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

It's seen a man before, it's seen black before,

「男」を見たことはあり 「黒い」ものを見たことはあり

it's seen a guitar before,

「ギター」を見たことはありますが

but it has independently generated this novel description of this picture.

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

We're still not quite at human performance here, but we're close.

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

In tests, humans prefer the computer-generated caption

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 —

one out of four times.

という結果になっています

Now this system is now only two weeks old,

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

so probably within the next year,

このまま行くと たぶん来年中には

the computer algorithm will be well past human performance

コンピューターアルゴリズムの成績が

at the rate things are going.

人間を上回るのではと思います

So computers can also write.

だからコンピューターは 書くこともできるのです

So we put all this together and it leads to very exciting opportunities.

これらをまとめたら 非常に興味深い可能性が開けます

For example, in medicine,

たとえば医療です

a team in Boston announced that they had discovered

あるボストンのチームは コンピューターによって

dozens of new clinically relevant features

医師が がんの診断を する上で役に立つ

of tumors which help doctors make a prognosis of a cancer.

何十という腫瘍の特徴を発見したと 発表しました

Very similarly, in Stanford,

同様にスタンフォードのグループは

a group there announced that, looking at tissues under magnification,

組織の拡大画像を見て

they've developed a machine learning-based system

がん患者の生存率を

which in fact is better than human pathologists

人間の病理医よりも 正確に予想する

at predicting survival rates for cancer sufferers.

機械学習システムを 開発しました

In both of these cases, not only were the predictions more accurate,

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

but they generated new insightful science.

新たな科学的洞察を もたらしています

In the radiology case,

放射線医学のケースでは

they were new clinical indicators that humans can understand.

人間に理解できる 新しい臨床的な指標です

In this pathology case,

病理学のケースでは

the computer system actually discovered that the cells around the cancer

診断において がん細胞だけでなく

are as important as the cancer cells themselves

がんの周囲の細胞も 重要であることを

in making a diagnosis.

発見しました

This is the opposite of what pathologists had been taught for decades.

これは病理医が 何十年も教わってきたのとは逆です

In each of those two cases, they were systems developed

どちらのケースでも システムは

by a combination of medical experts and machine learning experts,

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

but as of last year, we're now beyond that too.

去年我々はこの面をも 乗り越えました

This is an example of identifying cancerous areas

これは顕微鏡で見た 人の組織から

of human tissue under a microscope.

がんの領域を 識別する例です

The system being shown here can identify those areas more accurately,

このシステムは 人間の病理医と同じか

or about as accurately, as human pathologists,

それ以上の精度で がん領域を識別できますが

but was built entirely with deep learning using no medical expertise

医療の知識や経験のない チームによって

by people who have no background in the field.

ディープ・ラーニングを使って 開発されました

Similarly, here, this neuron segmentation.

同様に これは ニューロンの区分けです

We can now segment neurons about as accurately as humans can,

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

but this system was developed with deep learning

このシステムは医学を 学んだことのない人々が

using people with no previous background in medicine.

ディープ・ラーニングを使って 開発しました

So myself, as somebody with no previous background in medicine,

医学を学んだことのない人間が 医療の会社を始めるのも

I seem to be entirely well qualified to start a new medical company,

もはや変なことではないと思え

which I did.

実際に会社を作ることにしました

I was kind of terrified of doing it,

そうするのは 怖くもありましたが

but the theory seemed to suggest that it ought to be possible

データ分析技術だけでも 有益な医療サービスは

to do very useful medicine using just these data analytic techniques.

提供可能であると 理論は示しているように見えます

And thankfully, the feedback has been fantastic,

ありがたいことに 大変好意的な反応を受け取っており

not just from the media but from the medical community,

メディアばかりでなく

who have been very supportive.

医学界の人々も 支持してくれています

The theory is that we can take the middle part of the medical process

私たちは医療の 中間部分を受け持って

and turn that into data analysis as much as possible,

そこを可能な限り データ分析で置き換え

leaving doctors to do what they're best at.

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

I want to give you an example.

例をお見せしたいと思います

It now takes us about 15 minutes to generate a new medical diagnostic test

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

and I'll show you that in real time now,

それをリアルタイムで ご覧に入れますが

but I've compressed it down to three minutes by cutting some pieces out.

一部をはしょって ３分に縮めてやります

Rather than showing you creating a medical diagnostic test,

医療診断テストを作って お見せするよりは

I'm going to show you a diagnostic test of car images,

車の画像を診断するテストを お見せしようと思います

because that's something we can all understand.

その方が分かりやすいので

So here we're starting with about 1.5 million car images,

150万の車の画像から 始めます

and I want to create something that can split them into the angle

まず写真を 撮った角度によって

of the photo that's being taken.

分類したいと思います

So these images are entirely unlabeled, so I have to start from scratch.

画像にラベルはまったく付いておらず 一から始めます

With our deep learning algorithm,

ディープ・ラーニング・アルゴリズムを使って

it can automatically identify areas of structure in these images.

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

So the nice thing is that the human and the computer can now work together.

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

So the human, as you can see here,

ご覧のように

is telling the computer about areas of interest

人が関心のある領域を コンピューターに教え

which it wants the computer then to try and use to improve its algorithm.

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

Now, these deep learning systems actually are in 16,000-dimensional space,

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

so you can see here the computer rotating this through that space,

その空間の中で 軸を回転させて

trying to find new areas of structure.

新たな構造領域を 見つけようとします

And when it does so successfully,

それが成功したら

the human who is driving it can then point out the areas that are interesting.

人間が関心のある領域を 指摘します

So here, the computer has successfully found areas,

コンピューターがうまく 領域を見つけられました

for example, angles.

たとえば角度です

So as we go through this process,

このプロセスを経ることで

we're gradually telling the computer more and more

どのような構造を 探しているのか

about the kinds of structures we're looking for.

徐々に伝えていきます

You can imagine in a diagnostic test

これが病気の診断であれば

this would be a pathologist identifying areas of pathosis, for example,

病理医が病的状態にある領域を 識別するとか

or a radiologist indicating potentially troublesome nodules.

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

And sometimes it can be difficult for the algorithm.

時にアルゴリズムには 難しいこともあります

In this case, it got kind of confused.

今の場合 コンピューターが混乱して

The fronts and the backs of the cars are all mixed up.

前部と後部が ごちゃまぜになっています

So here we have to be a bit more careful,

そのため少し注意して

manually selecting these fronts as opposed to the backs,

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

then telling the computer that this is a type of group

そうやって こんなグループに関心があるのだと

that we're interested in.

コンピューターに 伝えるのです

So we do that for a while, we skip over a little bit,

こうやって続けていき 少しはしょりますが

and then we train the machine learning algorithm

機械学習アルゴリズムを 改善させるために

based on these couple of hundred things,

数百の事例を使って

and we hope that it's gotten a lot better.

訓練してやります

You can see, it's now started to fade some of these pictures out,

画像の一部が 薄れていますが

showing us that it already is recognizing how to understand some of these itself.

これはどう理解すれば良いか 既に認識されたものです

We can then use this concept of similar images,

それから似たイメージという概念を 使ってやることで

and using similar images, you can now see,

コンピューターが 車の前部だけを

the computer at this point is able to entirely find just the fronts of cars.

見つけられるように なりました

So at this point, the human can tell the computer,

そうなったら 人間がコンピューターに

okay, yes, you've done a good job of that.

その点で上手くできていることを 教えてやります

Sometimes, of course, even at this point

もちろんこの期に及んでも

it's still difficult to separate out groups.

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

In this case, even after we let the computer try to rotate this for a while,

今の場合 コンピューターに しばらく回転をさせても

we still find that the left sides and the right sides pictures

依然として 左側と右側の画像が

are all mixed up together.

混在しています

So we can again give the computer some hints,

コンピューターにもう 少しヒントをやり

and we say, okay, try and find a projection that separates out

右側と左側を可能な限り 分離できる射影を

the left sides and the right sides as much as possible

ディープ・ラーニング・ アルゴリズムを使って

using this deep learning algorithm.

見つけられるようにします

And giving it that hint -- ah, okay, it's been successful.

そのヒントを与えることで — 上手くいきました

It's managed to find a way of thinking about these objects

右側と左側を 見分ける方法を

that's separated out these together.

どうにか見つけられました

So you get the idea here.

基本的な考え方を 分かっていただけたと思います

This is a case not where the human is being replaced by a computer,

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 —

but where they're working together.

人とコンピューターが 協力するということです

What we're doing here is we're replacing something that used to take a team

やろうとしているのは これまでは５、６人のチームで

of five or six people about seven years

何年もかかっていた ようなことを

and replacing it with something that takes 15 minutes

１人で15分ほどで できるようにする

for one person acting alone.

ということです

So this process takes about four or five iterations.

このプロセスには ４、５回の反復が必要です

You can see we now have 62 percent

150万の画像を 62%の精度で

of our 1.5 million images classified correctly.

分類できるようになりました

And at this point, we can start to quite quickly

そうなったら

grab whole big sections,

大きなセクションを選んで

check through them to make sure that there's no mistakes.

誤りがないか 素早くチェックできます

Where there are mistakes, we can let the computer know about them.

誤りがあった場合は コンピューターに教えてやります

And using this kind of process for each of the different groups,

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

we are now up to an 80 percent success rate

150万の画像を 80%の精度で

in classifying the 1.5 million images.

分類できるようになりました

And at this point, it's just a case

そうしたら

of finding the small number that aren't classified correctly,

正しく分類されなかった 少数のケースについて

and trying to understand why.

その理由を考えます

And using that approach,

このアプローチを 15分やることで

by 15 minutes we get to 97 percent classification rates.

97%の精度で 分類できるようになりました

So this kind of technique could allow us to fix a major problem,

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

which is that there's a lack of medical expertise in the world.

世界的な医師不足です

The World Economic Forum says that there's between a 10x and a 20x

世界経済フォーラムは 発展途上国において

shortage of physicians in the developing world,

医師が今の10倍から20倍必要で

and it would take about 300 years

それだけの医師を育てるには

to train enough people to fix that problem.

300年かかると言っています

So imagine if we can help enhance their efficiency

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

using these deep learning approaches?

対処するというのは どうでしょう？

So I'm very excited about the opportunities.

このような機会に 私はワクワクしていますが

I'm also concerned about the problems.

同時に懸念している こともあります

The problem here is that every area in blue on this map

地図で青になっている国は

is somewhere where services are over 80 percent of employment.

雇用の80%以上が サービス業のところです

What are services?

サービスとは何か？

These are services.

このようなものです

These are also the exact things that computers have just learned how to do.

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

So 80 percent of the world's employment in the developed world

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

is stuff that computers have just learned how to do.

成り立っているのです

What does that mean?

これは何を 意味するのでしょう？

Well, it'll be fine. They'll be replaced by other jobs.

「他の仕事で置き換えられるから 問題ないよ

For example, there will be more jobs for data scientists.

たとえば データサイエンティストの仕事とか」

Well, not really.

と思うかもしれませんが

It doesn't take data scientists very long to build these things.

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

For example, these four algorithms were all built by the same guy.

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

So if you think, oh, it's all happened before,

こういうことは 以前にも起き

we've seen the results in the past of when new things come along

新しいものが現れては 古い職が新しい職で

and they get replaced by new jobs,

置き換えられてきた と言うなら

what are these new jobs going to be?

その新しい職は どのようなものになるのでしょう？

It's very hard for us to estimate this,

とても難しい問題です

because human performance grows at this gradual rate,

なぜなら人間の能力は 徐々にしか向上しませんが

but we now have a system, deep learning,

ディープ・ラーニング・ システムの能力は

that we know actually grows in capability exponentially.

指数関数的に 向上しているからです

And we're here.

私達がいるのは 追い抜かれる一歩手前です

So currently, we see the things around us

今は周りを見渡して

and we say, "Oh, computers are still pretty dumb." Right?

「コンピューターはまだ馬鹿だ」 と思っていても

But in five years' time, computers will be off this chart.

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

So we need to be starting to think about this capability right now.

私たちは今この能力について 考える必要があるのです

We have seen this once before, of course.

前にも似たことは 経験しています

In the Industrial Revolution,

産業革命です

we saw a step change in capability thanks to engines.

エンジンの出現による 能力の急激な変化がありました

The thing is, though, that after a while, things flattened out.

しかししばらくすると 物事はまた落ち着きました

There was social disruption,

社会的な変動はありましたが

but once engines were used to generate power in all the situations,

あらゆる場面でエンジンが 使われるようになると

things really settled down.

状況は安定したのです

The Machine Learning Revolution

機械学習の革命は

is going to be very different from the Industrial Revolution,

産業革命とは 全然違うものになるでしょう

because the Machine Learning Revolution, it never settles down.

機械学習の革命は 留まることがないからです

The better computers get at intellectual activities,

より優れたコンピューターが 知的活動を受け持ち

the more they can build better computers to be better at intellectual capabilities,

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

so this is going to be a kind of change

世界がかつて 経験したことのないような

that the world has actually never experienced before,

変化を起こすことに なるでしょう

so your previous understanding of what's possible is different.

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

This is already impacting us.

この影響は既に現れています

In the last 25 years, as capital productivity has increased,

過去25年で 資本生産性は増大しましたが

labor productivity has been flat, in fact even a little bit down.

労働生産性は平坦で むしろ少し下がっています

So I want us to start having this discussion now.

だから この議論を 今始めて欲しいのです

I know that when I often tell people about this situation,

私がこの状況を 説明しても

people can be quite dismissive.

なかなか真剣に 取り合ってもらえません

Well, computers can't really think,

「コンピューターには 本当に思考することはできない」

they don't emote, they don't understand poetry,

「感情がない」 「詩を理解しない」

we don't really understand how they work.

「我々は腦の働きを本当に理解してはいない」 などなど

So what?

だったら何でしょう？

Computers right now can do the things

人間がお金をもらい 時間を費やして

that humans spend most of their time being paid to do,

やっていたことが 機械にも可能になっているんです

so now's the time to start thinking

この新たな現実を踏まえて

about how we're going to adjust our social structures and economic structures

社会構造や経済構造を どう調整したら良いか

to be aware of this new reality.

考え始めるべき時です

Thank you.

ありがとうございました

(Applause)

(拍手)