How we teach computers to understand pictures | Fei Fei Li

번역: Juhyeon Kim 검토: Jihyeon J. Kim

Let me show you something.

이걸 보시죠.

(Video) Girl: Okay, that's a cat sitting in a bed.

(영상) 소녀: "고양이가 침대에 앉아 있습니다."

The boy is petting the elephant.

"소년이 코끼리를 쓰다듬고 있습니다."

Those are people that are going on an airplane.

"사람들이 비행기에 타고 있습니다."

That's a big airplane.

"큰 비행기입니다."

Fei-Fei Li: This is a three-year-old child

이건 세 살짜리 아이가 사진을 보고 설명하는 것입니다.

describing what she sees in a series of photos.

She might still have a lot to learn about this world,

그녀는 아직 이 세상에 대해 배울 것이 많지만,

but she's already an expert at one very important task:

한 가지 일에서만큼은 이미 전문가 수준입니다.

to make sense of what she sees.

본 것을 이해하는 일이죠.

Our society is more technologically advanced than ever.

우리 사회는 그 어느 때보다 기술적으로 진보하고 있습니다.

We send people to the moon, we make phones that talk to us

우리는 달에 사람을 보내고, 말을 하는 전화를 만들거나

or customize radio stations that can play only music we like.

좋아하는 곡만 방송하는 맞춤형 라디오를 만듭니다.

Yet, our most advanced machines and computers

그러나 첨단 기계와 컴퓨터로도

still struggle at this task.

애를 먹는 일이 있습니다.

So I'm here today to give you a progress report

저는 오늘 컴퓨터 비전 연구의

on the latest advances in our research in computer vision,

최신 동향에 대해 말하고자 합니다

one of the most frontier and potentially revolutionary

컴퓨터 과학에서 가장 선도적이고 혁명적인 기술이죠.

technologies in computer science.

Yes, we have prototyped cars that can drive by themselves,

스스로 운전하는 자동차 시험판을 만들더라도

but without smart vision, they cannot really tell the difference

똑똑한 인식 능력이 없다면

between a crumpled paper bag on the road, which can be run over,

도로 위에 있는 것이 밟아도 될 종이 봉투인지

and a rock that size, which should be avoided.

피해야 할 돌덩이인지 구분할 수 없습니다.

We have made fabulous megapixel cameras,

수백만 화소의 엄청난 카메라를 만들더라도

but we have not delivered sight to the blind.

시각장애인의 눈이 되지는 못합니다.

Drones can fly over massive land,

무인기가 광활한 땅을 날 수 있어도

but don't have enough vision technology

컴퓨터 비전 기술이 없으면

to help us to track the changes of the rainforests.

열대 우림의 변화를 추적하지 못합니다.

Security cameras are everywhere,

감시 카메라가 도처에 있어도

but they do not alert us when a child is drowning in a swimming pool.

수영장에서 물에 빠진 아이를 보고 우리에게 경고해 주지는 않습니다.

Photos and videos are becoming an integral part of global life.

사진과 비디오는 지구 생활의 불가결한 부분이 되고 있습니다.

They're being generated at a pace that's far beyond what any human,

어떤 개인이나 단체가 다 볼 수 없을 분량의

or teams of humans, could hope to view,

영상이 만들어지고 있습니다.

and you and I are contributing to that at this TED.

여기 TED도 일조하고 있지요.

Yet our most advanced software is still struggling at understanding

그러나 가장 진보한 소프트웨어도 아직까지는

and managing this enormous content.

이 방대한 영상을 이해하고 관리하는데 애를 먹고 있습니다.

So in other words, collectively as a society,

달리 말하자면 사회 전체적으로

we're very much blind,

우리는 장님과 같습니다.

because our smartest machines are still blind.

우리의 가장 똑똑한 기계가 아직까지 장님이니까요.

"Why is this so hard?" you may ask.

"그게 왜 어렵지?" 하고 물으실 수 있어요.

Cameras can take pictures like this one

카메라는 이런 사진을 찍을 수 있고

by converting lights into a two-dimensional array of numbers

빛을 숫자의 2차원 배열인

known as pixels,

픽셀로 변환할 수 있지만,

but these are just lifeless numbers.

이는 그저 죽은 숫자일 뿐입니다.

They do not carry meaning in themselves.

그 자체에 의미는 없습니다.

Just like to hear is not the same as to listen,

'들리는' 것과 '듣는' 것이 똑같지 않듯이

to take pictures is not the same as to see,

사진을 '찍는' 것과 '보는' 것은 똑같지 않습니다.

and by seeing, we really mean understanding.

'본다'는 말에는 '이해한다'는 뜻이 있습니다.

In fact, it took Mother Nature 540 million years of hard work

사실 자연은 5억 4천만년에 걸쳐

to do this task,

이 작업을 했는데요.

and much of that effort

그 노력의 대부분은

went into developing the visual processing apparatus of our brains,

우리 뇌의 시각처리능력을 발달시키는데 소요되었고

not the eyes themselves.

눈을 만드는데 소요되지 않았습니다.

So vision begins with the eyes,

시각현상은 눈에서 시작되지만

but it truly takes place in the brain.

사실상 나타나는 곳은 뇌 안쪽이죠.

So for 15 years now, starting from my Ph.D. at Caltech

저는 최근 15년간 캘리포니아 공대 박사 과정에서부터

and then leading Stanford's Vision Lab,

스탠포드대 컴퓨터 비전 연구실을 이끌기까지

I've been working with my mentors, collaborators and students

지도교수, 공동연구자, 학생들과 함께

to teach computers to see.

컴퓨터에게 '보는 법'을 가르쳐왔습니다.

Our research field is called computer vision and machine learning.

저희 연구 분야를 컴퓨터 비전과 기계 학습이라고 합니다.

It's part of the general field of artificial intelligence.

인공지능 일반 분야에 속하죠.

So ultimately, we want to teach the machines to see just like we do:

궁극적으로 우리는 기계가 인간처럼 볼 수 있게 하려고 합니다.

naming objects, identifying people, inferring 3D geometry of things,

물체와 사람을 식별하고, 3차원 기하구조를 추측하고,

understanding relations, emotions, actions and intentions.

관계, 감정, 행동과 의도를 이해하게 하는 겁니다.

You and I weave together entire stories of people, places and things

여러분과 저는 한번 보기만 해도

the moment we lay our gaze on them.

사람, 장소, 사물로 이야기를 엮어낼 수 있습니다.

The first step towards this goal is to teach a computer to see objects,

이런 목표를 향한 첫걸음이 컴퓨터를 가르쳐

the building block of the visual world.

사물, 시각 세계의 구성요소를 보게 하는 것입니다.

In its simplest terms, imagine this teaching process

간단히 말해, 이런 학습 과정을 상상해보세요.

as showing the computers some training images

컴퓨터에 특정 사물의 훈련용 이미지를 보여줍니다.

of a particular object, let's say cats,

고양이라고 해보죠.

and designing a model that learns from these training images.

그리고 그 훈련용 이미지로 학습하는 모델을 설계합니다.

How hard can this be?

간단하게 들리는데요. 얼마나 어려울 수 있을까요?

After all, a cat is just a collection of shapes and colors,

고양이는 모양과 색깔의 집합이고,

and this is what we did in the early days of object modeling.

이것이 우리가 초창기 객체 모델링으로 한 일이죠.

We'd tell the computer algorithm in a mathematical language

우리는 컴퓨터 알고리즘을 수학적 언어로 표현합니다.

that a cat has a round face, a chubby body,

고양이는 둥근 얼굴과 통통한 몸,

two pointy ears, and a long tail,

두 개의 뾰족한 귀, 긴 꼬리가 있다고 가르칩니다.

and that looked all fine.

다 괜찮아 보였습니다.

But what about this cat?

그런데 이 고양이는 어떨까요?

(Laughter)

(웃음)

It's all curled up.

몸을 말고 있습니다.

Now you have to add another shape and viewpoint to the object model.

이제 객체 모델에 다른 모양과 관점을 추가합니다.

But what if cats are hidden?

그런데 만약 고양이가 숨어 있으면요?

What about these silly cats?

이런 웃기는 고양이들은요?

Now you get my point.

이제 제 말을 아시겠죠.

Even something as simple as a household pet

집안의 애완동물처럼 단순한 사물조차

can present an infinite number of variations to the object model,

객체 모델에 무한한 변형이 존재할 수 있고,

and that's just one object.

그게 한 개의 객체일 뿐이죠.

So about eight years ago,

약 8년 전

a very simple and profound observation changed my thinking.

단순하고도 깊은 관찰이 제 생각을 바꾸었습니다.

No one tells a child how to see,

아이에게 보는 법을 가르칠 순 없죠.

especially in the early years.

특히 어린 시절에 말이죠.

They learn this through real-world experiences and examples.

아이들은 현실세계의 경험과 사례로 보는 법을 배웁니다.

If you consider a child's eyes

만약 아이의 눈을

as a pair of biological cameras,

생물학적 카메라 한쌍이라 치면

they take one picture about every 200 milliseconds,

200밀리초마다 한 장씩 사진을 찍는 셈이죠.

the average time an eye movement is made.

눈이 움직이는 평균 시간이에요.

So by age three, a child would have seen hundreds of millions of pictures

아이는 세 살까지 수억장의 현실세계 사진을 보게 됩니다.

of the real world.

That's a lot of training examples.

방대한 양의 학습 사례죠.

So instead of focusing solely on better and better algorithms,

그래서 제 생각엔 더 나은 알고리즘에만 집중하기보다,

my insight was to give the algorithms the kind of training data

알고리즘에 주는 학습 데이터를

that a child was given through experiences

아이가 경험하는 것과 같이 만들어야 했습니다.

in both quantity and quality.

양적으로나 질적으로 말이죠.

Once we know this,

이걸 알게 되자,

we knew we needed to collect a data set

우리는 이전보다 훨씬 많은 데이터를 모아야 했습니다.

that has far more images than we have ever had before,

perhaps thousands of times more,

거의 수천배였죠.

and together with Professor Kai Li at Princeton University,

그래서 전 프린스턴 대학의 카이 리 교수와 함께

we launched the ImageNet project in 2007.

2007년 이미지넷 프로젝트를 시작했습니다.

Luckily, we didn't have to mount a camera on our head

다행히도 우리는 머리에 카메라를 매달고

and wait for many years.

몇년씩 기다릴 필요는 없었습니다.

We went to the Internet,

인터넷이 있었거든요.

the biggest treasure trove of pictures that humans have ever created.

인류가 만든 최대의 사진 창고죠.

We downloaded nearly a billion images

우리는 거의 10억장의 이미지를 다운로드했고

and used crowdsourcing technology like the Amazon Mechanical Turk platform

아마존 MTurk 같은 크라우드 소싱 기술을 사용해

to help us to label these images.

이미지에 라벨을 붙였습니다.

At its peak, ImageNet was one of the biggest employers

가장 최고치에서는 이미지넷이

of the Amazon Mechanical Turk workers:

아마존 MTurk 일꾼들의 최대 고용주였습니다.

together, almost 50,000 workers

5만명 가까운 작업자가

from 167 countries around the world

세계 167개국에서

helped us to clean, sort and label

약 10억장의 후보 이미지의

nearly a billion candidate images.

정리 분류 작업을 도왔습니다.

That was how much effort it took

아이의 성장 초기에

to capture even a fraction of the imagery

이미지의 일부라도 수집하는데

a child's mind takes in in the early developmental years.

얼마나 많은 노력이 드는가 하는 것과 같았죠.

In hindsight, this idea of using big data

지나고 보니, 컴퓨터 알고리즘의 훈련에

to train computer algorithms may seem obvious now,

빅데이터를 사용한다는 아이디어는 이제 확실한 것 같습니다만,

but back in 2007, it was not so obvious.

2007년 당시에는 그렇지 않았습니다.

We were fairly alone on this journey for quite a while.

우리 혼자 이런 일을 한 게 꽤 오래 됐습니다.

Some very friendly colleagues advised me to do something more useful for my tenure,

친절한 동료는 종신교수가 되려면 더 유용한 일을 하라고 조언했고,

and we were constantly struggling for research funding.

우리는 늘 연구 자금 문제에 시달렸죠.

Once, I even joked to my graduate students

저는 이미지넷의 자금 조달을 위해 세탁소를 다시 열어야겠다고

that I would just reopen my dry cleaner's shop to fund ImageNet.

대학원생들에게 농담을 했죠.

After all, that's how I funded my college years.

제가 대학 학비를 마련한 방법이거든요.

So we carried on.

우리는 계속 진행했습니다.

In 2009, the ImageNet project delivered

2009년에 이미지넷 프로젝트는

a database of 15 million images

객체와 사물을 2만2천개 범주로 분류한

across 22,000 classes of objects and things

1천5백만장 이미지의 데이터베이스를 만들었고

organized by everyday English words.

일상적인 영단어로 표현했습니다.

In both quantity and quality,

양적으로나 질적으로나

this was an unprecedented scale.

전례 없는 규모였죠.

As an example, in the case of cats,

예를 들어, 고양이의 경우

we have more than 62,000 cats

6만 2천장의 이미지가

of all kinds of looks and poses

다양한 모양과 자세,

and across all species of domestic and wild cats.

집고양이부터 들고양이까지 모든 종류를 망라합니다.

We were thrilled to have put together ImageNet,

우리는 이미지넷을 만든 것에 흥분했고

and we wanted the whole research world to benefit from it,

모든 연구자들과 혜택을 나누고자 했습니다.

so in the TED fashion, we opened up the entire data set

그래서 TED 방식으로 모든 데이터를

to the worldwide research community for free.

전세계의 연구자 커뮤니티에 무료로 공개했습니다.

(Applause)

(박수)

Now that we have the data to nourish our computer brain,

이제 우리는 컴퓨터 두뇌에 영양을 공급할 데이터가 있고,

we're ready to come back to the algorithms themselves.

알고리즘 자체로 돌아올 준비가 되었죠.

As it turned out, the wealth of information provided by ImageNet

결과적으로 이미지넷의 풍부한 정보는

was a perfect match to a particular class of machine learning algorithms

기계 학습 알고리즘의 특정 분류에 딱 들어맞았는데,

called convolutional neural network,

이를 합성곱 신경망이라고 합니다.

pioneered by Kunihiko Fukushima, Geoff Hinton, and Yann LeCun

쿠니히코 후쿠시마, 제프리 힌튼, 양 루캉이

back in the 1970s and '80s.

1970~80년대에 개척한 영역이죠.

Just like the brain consists of billions of highly connected neurons,

마치 뇌가 고도로 연결된 뉴런 수십억개로 구성된 것처럼

a basic operating unit in a neural network

신경망의 기본 단위는

is a neuron-like node.

뉴런과 같은 노드입니다.

It takes input from other nodes

다른 노드에서 입력을 받고

and sends output to others.

다른 노드로 출력을 보냅니다.

Moreover, these hundreds of thousands or even millions of nodes

게다가 이런 수십만, 수백만의 노드는

are organized in hierarchical layers,

계층 형태로 조직화됩니다.

also similar to the brain.

뇌와 마찬가지죠.

In a typical neural network we use to train our object recognition model,

우리가 사물 인식 모델을 훈련하려고 사용한 전형적인 신경망에는

it has 24 million nodes,

2천4백만의 노드,

140 million parameters,

1억4천만의 매개변수,

and 15 billion connections.

150억의 결합이 존재합니다.

That's an enormous model.

어마어마한 모델이죠.

Powered by the massive data from ImageNet

이미지넷의 방대한 데이터와

and the modern CPUs and GPUs to train such a humongous model,

현대의 CPU와 GPU에 힘입어

the convolutional neural network

합성곱 신경망은

blossomed in a way that no one expected.

아무도 예상치 못한 방식으로 꽃피었습니다.

It became the winning architecture

사물의 인식에 있어

to generate exciting new results in object recognition.

흥미롭고도 새로운 결과를 내는 우수한 구조가 되었습니다.

This is a computer telling us

이 컴퓨터는 우리에게

this picture contains a cat

이 사진에 고양이가 있는지,

and where the cat is.

어디에 있는지 말해줍니다.

Of course there are more things than cats,

물론 고양이 이외의 것도 인식할 수 있고,

so here's a computer algorithm telling us

여기서 컴퓨터 알고리즘은 사진 속에

the picture contains a boy and a teddy bear;

소년과 테디 베어가 있다고 말해줍니다.

a dog, a person, and a small kite in the background;

개, 사람, 배경에 작은 연이 있습니다.

or a picture of very busy things

또는 많은 것이 찍힌 사진에서

like a man, a skateboard, railings, a lampost, and so on.

사람, 스케이트 보드, 난간, 가로등 같은 것을 가려냅니다.

Sometimes, when the computer is not so confident about what it sees,

때때로 컴퓨터가 보는 것이 무엇인지 확신하지 못할 때는

we have taught it to be smart enough

우리는 컴퓨터를 가르쳐서

to give us a safe answer instead of committing too much,

억측을 하기 보다는 안전한 대답을 하게 합니다.

just like we would do,

사람과 마찬가지죠.

but other times our computer algorithm is remarkable at telling us

반면 컴퓨터 알고리즘은 놀랍게도

what exactly the objects are,

사물이 정확히 무엇인지 말해주기도 합니다.

like the make, model, year of the cars.

자동차의 차종, 모델, 연식 같은 것이죠.

We applied this algorithm to millions of Google Street View images

수백개 미국 도시에서 찍은 구글 스크리트 뷰 이미지

across hundreds of American cities,

수백만장에 알고리즘을 적용했더니

and we have learned something really interesting:

흥미로운 것을 발견했습니다.

first, it confirmed our common wisdom

먼저, 일반적으로 예상하듯이

that car prices correlate very well

자동차 가격이 가계 수입과

with household incomes.

매우 관련이 있다는 것이었습니다.

But surprisingly, car prices also correlate well

하지만 놀랍게도, 자동차 가격은

with crime rates in cities,

도시의 범죄율과도 관련이 있었고,

or voting patterns by zip codes.

도시구역별 투표 경향과도 관련이 있었습니다.

So wait a minute. Is that it?

잠깐만요. 그런가요?

Has the computer already matched or even surpassed human capabilities?

컴퓨터는 이미 인간의 능력을 따라잡거나 추월한 것인가요?

Not so fast.

그렇지는 않습니다.

So far, we have just taught the computer to see objects.

지금까지 우리는 컴퓨터에 사물 인식을 가르쳤을 뿐이에요.

This is like a small child learning to utter a few nouns.

마치 어린 아이가 명사 몇개를 배운 것과 같죠.

It's an incredible accomplishment,

엄청난 성과이지만

but it's only the first step.

그저 첫 걸음에 불과합니다.

Soon, another developmental milestone will be hit,

곧 다음 개발 목표에 이를 것이고,

and children begin to communicate in sentences.

어린 아이는 문장으로 소통을 하기 시작할 겁니다.

So instead of saying this is a cat in the picture,

그래서 사진을 보고 '고양이입니다' 하는 대신

you already heard the little girl telling us this is a cat lying on a bed.

여러분이 이미 들었듯 '고양이가 침대에 누워 있다'고 합니다.

So to teach a computer to see a picture and generate sentences,

컴퓨터가 사진을 보고 문장을 만들게 가르치려면,

the marriage between big data and machine learning algorithm

빅 데이터와 기계 학습 알고리즘의 결합이

has to take another step.

또 한발짝 나아가야 합니다.

Now, the computer has to learn from both pictures

이제 컴퓨터는 사진 뿐만 아니라

as well as natural language sentences

사람이 만든 자연 언어 문장도

generated by humans.

배워야 합니다.

Just like the brain integrates vision and language,

뇌가 시각과 언어를 결합하듯이,

we developed a model that connects parts of visual things

우리가 개발한 모델은 이미지의 단편과 같은

like visual snippets

시각적 요소를

with words and phrases in sentences.

문장 속 단어나 문구와 연결합니다.

About four months ago,

약 4달 전

we finally tied all this together

우리는 마침내 이 모두를 엮어

and produced one of the first computer vision models

최초의 컴퓨터 비전 모델 하나를 만들었습니다.

that is capable of generating a human-like sentence

사진을 처음 보았을때 사람과 같이

when it sees a picture for the first time.

문장을 만들어내는 모델입니다.

Now, I'm ready to show you what the computer says

이제, 여러분께 컴퓨터가 사진을 보고

when it sees the picture

말하는 것을 보여드리겠습니다.

that the little girl saw at the beginning of this talk.

앞서 어린 소녀가 봤던 사진입니다.

(컴퓨터) "남자가 코끼리 옆에 서 있습니다."

(Video) Computer: A man is standing next to an elephant.

A large airplane sitting on top of an airport runway.

"큰 비행기가 공항 활주로 끝에 있습니다."

FFL: Of course, we're still working hard to improve our algorithms,

물론, 우리는 여전히 알고리즘을 개량하려고 일하고 있고

and it still has a lot to learn.

배워야 할 게 많습니다.

(Applause)

(박수)

And the computer still makes mistakes.

컴퓨터는 여전히 실수를 저지릅니다.

(Video) Computer: A cat lying on a bed in a blanket.

(컴퓨터) "고양이가 침대 위 이불 안에 있습니다."

FFL: So of course, when it sees too many cats,

고양이를 너무 많이 봐서

it thinks everything might look like a cat.

뭐든지 고양이로 보이는지도 모르죠.

(Video) Computer: A young boy is holding a baseball bat.

(컴퓨터) "어린 소년이 야구 방망이를 들고 있습니다."

(Laughter)

(웃음)

FFL: Or, if it hasn't seen a toothbrush, it confuses it with a baseball bat.

칫솔을 본 적이 없다면 야구 방망이와 혼동합니다.

(Video) Computer: A man riding a horse down a street next to a building.

(컴퓨터) "남자가 말을 타고 건물 옆 길을 내려갑니다."

(Laughter)

(웃음)

FFL: We haven't taught Art 101 to the computers.

우리는 컴퓨터에게 미술을 가르치지 않았습니다.

(Video) Computer: A zebra standing in a field of grass.

(컴퓨터) "얼룩말이 초원에 서있습니다"

FFL: And it hasn't learned to appreciate the stunning beauty of nature

컴퓨터는 자연의 경이로운 아름다움에 감상하는 것을

like you and I do.

배우지도 않았습니다.

So it has been a long journey.

이는 오랜 여정이었습니다.

To get from age zero to three was hard.

0세에서 3세까지 가는 건 힘들었습니다.

The real challenge is to go from three to 13 and far beyond.

하지만 진짜 도전은 3세에서 13세, 그 이상으로 나아가는 것입니다.

Let me remind you with this picture of the boy and the cake again.

이 소년과 케이크의 사진을 다시 보시죠.

So far, we have taught the computer to see objects

지금까지 우리는 컴퓨터에 사물을 식별하고

or even tell us a simple story when seeing a picture.

간단한 말을 하는 것을 가르쳤습니다.

(Video) Computer: A person sitting at a table with a cake.

(컴퓨터) "한 사람이 케이크가 있는 테이블에 앉아 있습니다."

FFL: But there's so much more to this picture

그러나 이 사진에는 사람과 케이크 이외에

than just a person and a cake.

더 많은 것이 들어있죠.

What the computer doesn't see is that this is a special Italian cake

컴퓨터가 보지 못하는 것은 이 특별한 이태리 케이크가

that's only served during Easter time.

부활절에만 먹는 것이란 겁니다.

The boy is wearing his favorite t-shirt

소년은 자기가 좋아하는 티셔츠를 입고 있는데

given to him as a gift by his father after a trip to Sydney,

아이 아버지가 시드니 여행을 다녀와 선물로 준 것입니다.

and you and I can all tell how happy he is

여러분과 저는 이 아이가 얼마나 기뻐하는지,

and what's exactly on his mind at that moment.

저 순간 무슨 생각을 하는지 이야기할 수 있습니다.

This is my son Leo.

제 아들 레오입니다.

On my quest for visual intelligence,

시각 지능에 대한 탐구를 하며

I think of Leo constantly

저는 항상 레오와

and the future world he will live in.

레오가 살 미래세계를 생각합니다.

When machines can see,

기계가 인식을 하게 되면,

doctors and nurses will have extra pairs of tireless eyes

의사와 간호사는 쉬지 않는 기계 눈을 이용해

to help them to diagnose and take care of patients.

환자를 진단하고 돌볼 수 있겠지요.

Cars will run smarter and safer on the road.

자동차는 더 똑똑하고 안전하게 도로를 주행할 겁니다.

Robots, not just humans,

인간 뿐 아니라 로봇이

will help us to brave the disaster zones to save the trapped and wounded.

재난 지역에서 갇히고 부상당한 사람을 구하는 걸 도울 겁니다.

We will discover new species, better materials,

우리는 기계의 도움으로 새로운 종, 더 나은 물질을 발견하고

and explore unseen frontiers with the help of the machines.

보지 못한 개척지를 탐험하게 될 겁니다.

Little by little, we're giving sight to the machines.

조금씩 우리는 기계에게 시각을 주고 있습니다.

First, we teach them to see.

처음에 우리는 기계에게 보는 것을 가르쳤습니다.

Then, they help us to see better.

다음엔, 기계가 우리를 도와 더 잘 보게 할 겁니다.

For the first time, human eyes won't be the only ones

처음으로, 인간의 눈이 아닌 것이

pondering and exploring our world.

세계를 생각하고 탐험하게 되었습니다.

We will not only use the machines for their intelligence,

우리는 인공지능 때문에 기계를 이용할 뿐만 아니라

we will also collaborate with them in ways that we cannot even imagine.

상상치 못했던 방식으로 기계와 협력하게 될 것입니다.

This is my quest:

이것이 제 탐구입니다.

to give computers visual intelligence

컴퓨터에 시각 지능을 부여하는 것,

and to create a better future for Leo and for the world.

그리고 레오와 세계를 위해서 더 나은 미래를 만드는 것입니다.

Thank you.

감사합니다.

(Applause)

(박수)