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

번역: Gemma Lee 검토: Mingyu Choi

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

예전에는 컴퓨터가 새로운 일을 하게 만들려면

you would have to program it.

프로그램을 짜야 했습니다.

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

프로그래밍을 해본 적이 없는 분들은

requires laying out in excruciating detail

목표를 달성하기 위해서

컴퓨터가 해야 할 일을 매 단계마다

every single step that you want the computer to do

in order to achieve your goal.

고통스러울정도로 세세하게 설정해야 합니다.

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

자, 하는 방법을 모르는 일을 여러분이 하고 싶다면

then this is going to be a great challenge.

그건 아주 커다란 도전이 되겠죠.

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

이것이 아서 사무엘이 직면한 도전이었습니다.

In 1956, he wanted to get this computer

1956년 그는 컴퓨터가

to be able to beat him at checkers.

서양장기에서 그를 이기기를 바랬습니다.

How can you write a program,

프로그램을 어떻게 짤 수 있을까요?

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

서양장기에서 여러분보다 잘하도록 극심한 세부사항을 쓸 수 있을까요?

So he came up with an idea:

그는 새로운 생각을 했습니다.

he had the computer play against itself thousands of times

컴퓨터가 스스로와 수천 번의 서양장기를 두게 해서

and learn how to play checkers.

서양장기 두는 법을 배우게 했습니다.

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

그 방법은 정말 효과가 있었고 사실 1962년에

this computer had beaten the Connecticut state champion.

이 컴퓨터는 코네티컷 주의 우승자를 무찔렀습니다.

So Arthur Samuel was the father of machine learning,

그래서 아서 사무엘은 기계 학습의 아버지였고

and I have a great debt to him,

저는 그분께 큰 빚을 지고 있죠.

because I am a machine learning practitioner.

왜냐하면 저는 기계 학습 기술자이니까요.

I was the president of Kaggle,

저는 캐글의 회장인데

a community of over 200,000 machine learning practictioners.

캐글은 20만 명이 넘는 기계 학습 기술자들의 동호회입니다.

Kaggle puts up competitions

캐글은 이전까지 풀지 못했던 문제를

to try and get them to solve previously unsolved problems,

해결하기 위한 대회를 주최하는데

and it's been successful hundreds of times.

수백번 성공했습니다.

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

그래서 이런 유리한 시점에서 저는 기계 학습이

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

과거와 현재에 할 수 있는 일과 미래에 할 수 있는 일을

and what it could do in the future.

많이 알 수 있었습니다.

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

아마도 기계 학습이 상업에서 최초로 가장 크게 성공한 것은 구글이었습니다.

Google showed that it is possible to find information

구글은 컴퓨터 알고리즘을 사용해서

by using a computer algorithm,

정보를 찾을 수 있음을 보여줬는데

and this algorithm is based on machine learning.

이 알고리즘은 기계 학습을 바탕으로 합니다.

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

그때부터 기계 학습의 상업적 성공이 많이 있었습니다.

Companies like Amazon and Netflix

아마존과 넷플릭스 같은 회사들은

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

기계 학습을 이용해서 여러분이 사고 싶은 상품이나

movies that you might like to watch.

보고 싶은 영화를 제안합니다.

Sometimes, it's almost creepy.

때로는 오싹할 지경이죠.

Companies like LinkedIn and Facebook

링크드인과 페이스북 같은 회사들은

sometimes will tell you about who your friends might be

누가 여러분의 친구인지를 말해줄 겁니다.

and you have no idea how it did it,

어떻게 그렇게 하는지 여러분은 모릅니다.

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

그 이유는 기계 학습의 힘을 이용하기 때문이죠.

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

이 알고리즘은 하는 방법을 손으로 쓴 프로그램 보다는

rather than being programmed by hand.

데이터에서 배웠습니다.

This is also how IBM was successful

IBM이 왓슨을 이용해 "제퍼디"에서

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

2명의 세계 챔피언을 성공적으로 무찌른 이유이기도 합니다.

answering incredibly subtle and complex questions like this one.

이처럼 아주 미묘하고 복잡한 질문에 대답했죠.

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

["고대 '니무르드의 사자'가 2003년 이 도시의 박물관에서 사라졌습니다."

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

이 때문에 우리는 이제 최초의 무인 자동차를 볼 수 있습니다.

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

나무와 보행자의 차이점, 그게 아주 중요한데

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

그걸 구별하고 싶을 때

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

손으로 프로그램을 어떻게 써야할지 모르지만

but with machine learning, this is now possible.

기계 학습으로 이제 가능합니다.

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

사실 이 자동차는 일반 도로에서 사고 없이

without any accidents on regular roads.

수백만 km를 달렸습니다.

So we now know that computers can learn,

이제 우리는 컴퓨터가 배울 수 있고

and computers can learn to do things

우리가 실제로 하는 방법을

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

모르는 일도 할 수 있도록 배울 수 있음을 압니다.

or maybe can do them better than us.

어쩌면 우리보다 잘할 수도 있어요.

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

기계 학습에서 가장 놀라운 예가

happened on a project that I ran at Kaggle

제가 캐글에서 하는 프로젝트에서 일어났습니다.

where a team run by a guy called Geoffrey Hinton

토론토 대학 출신의 제프리 힌튼이

from the University of Toronto

이끄는 팀은

won a competition for automatic drug discovery.

자동 신약 개발을 위한 대회에서 이겼습니다.

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

자, 여기서 놀라운 사실은 그들이 머크 또는 국제 학회가

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

개발한 알고리즘을 이겼을 뿐만 아니라

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

어떤 팀원도 화학, 생물학, 생명과학에 관한 지식이 없었다는 점입니다.

and they did it in two weeks.

그들은 2주안에 완성했죠.

How did they do this?

어떻게 했을까요?

They used an extraordinary algorithm called deep learning.

그들은 심화 학습이라는 놀라운 알고리즘을 사용했습니다.

So important was this that in fact the success was covered

이것은 사실 아주 중요해서 몇 주가 지난 뒤

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

뉴욕 타임즈에서 앞면 기사로 다뤘습니다.

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

왼쪽이 제프리 힌튼입니다.

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

심화 학습은 사람의 뇌가 작용하는 방식에 영감을 받아서 만든

and as a result it's an algorithm

알고리즘으로 그 결과

which has no theoretical limitations on what it can do.

할 수 있는 일에 대한 이론적 한계가 없습니다.

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

더 많은 데이터와 더 많은 계산 시간을 줄수록

the better it gets.

더 좋은 결과를 냅니다.

The New York Times also showed in this article

뉴욕 타임즈는 이 기사에서

another extraordinary result of deep learning

심화 학습의 또다른 놀라운 결과를 보여줬는데

which I'm going to show you now.

여러분께 보여드리죠.

It shows that computers can listen and understand.

컴퓨터가 듣고 이해할 수 있음을 보여줍니다.

(Video) Richard Rashid: Now, the last step

(영상) 리챠드 라시드: 제가 이 과정에서

that I want to be able to take in this process

마지막으로 보여드릴 단계는

is to actually speak to you in Chinese.

실제 중국어로 말하는 것입니다.

Now the key thing there is,

중요한 점은

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

많은 중국인들로부터 엄청난 양의 정보를 모을 수 있었고

and produce a text-to-speech system

글자를 음성으로 바꾸는 시스템을 만들어

that takes Chinese text and converts it into Chinese language,

중국 글자를 중국 말로 변환시키고

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

제 목소리를 한 시간 정도 녹음해서

and we've used that to modulate

표준 문자 - 음성 변환 시스템을 조절해서

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

제 목소리처럼 나도록 만들었습니다.

Again, the result's not perfect.

역시 결과는 완벽하지 않습니다.

There are in fact quite a few errors.

사실 오류가 상당히 있었습니다.

(In Chinese)

(중국어)

(Applause)

(박수)

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

아직 많은 작업이 필요합니다.

(In Chinese)

(중국어)

(Applause)

(박수)

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

제레미 하워드 : 중국에서 열린 기계 학습 회의였습니다.

It's not often, actually, at academic conferences

학술 회의에서 실제로

that you do hear spontaneous applause,

즉흥적인 박수를 듣기는 쉽지 않죠.

although of course sometimes at TEDx conferences, feel free.

그래도 TEDx 회의에서는 자유롭게 하세요.

Everything you saw there was happening with deep learning.

거기서 본 모든 것이 심화 학습으로 일어났습니다.

(Applause) Thank you.

(박수) 감사합니다.

The transcription in English was deep learning.

영어로 옮겨쓰기는 심화 학습이었죠.

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

중국어 번역과 오른쪽 위의 글자도 심화 학습이었고

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

목소리로 재생하는 것 역시 심화 학습이었습니다.

So deep learning is this extraordinary thing.

그래서 심화 학습은 놀라운 것입니다.

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

하나의 알고리즘인데 거의 모든 일을 할 수 있어 보입니다.

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

제가 1년 전에 발견했는데 보는 법도 배웠습니다.

In this obscure competition from Germany

독일의 애매한 대회인

called the German Traffic Sign Recognition Benchmark,

독일 교통 신호 인식 성능평가에서

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

심화 학습은 이런 교통 신호를 인식하는 법을 배웠습니다.

Not only could it recognize the traffic signs

교통 신호를 인식할 뿐만 아니라

better than any other algorithm,

어떤 알고리즘보다 낫고

the leaderboard actually showed it was better than people,

성적이 사람보다 2배 정도

about twice as good as people.

나은 결과를 보였습니다.

So by 2011, we had the first example

2011년 우리는 사람보다

of computers that can see better than people.

잘 볼 수 있는 컴퓨터의 첫번째 예를 가졌습니다.

Since that time, a lot has happened.

그후로 많은 일이 일어났죠.

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

2012년 구글은 심화 학습 알고리즘을 만들었다고 발표했습니다.

watch YouTube videos

유튜브 동영상을 보고

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

한 달에 1만6천 대의 컴퓨터 데이터를 처리해서

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

컴퓨터는 그냥 동영상을 보는 것만으로 사람과 고양이 같은 개념을

just by watching the videos.

스스로 학습했습니다.

This is much like the way that humans learn.

사람이 배우는 방법과 비슷하죠.

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

사람들은 보는 것을 알려줘서 배우는 게 아니라

but by learning for themselves what these things are.

그것이 뭔지 스스로 배웁니다.

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

또한 2012년 우리가 앞서 봤던 제프리 힌튼은

won the very popular ImageNet competition,

아주 유명한 이미지넷 대회에서 우승했는데

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

1백만 5천장의 사진을 보고 그게 어떤 사진인지

what they're pictures of.

맞추는 내용이죠.

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

2014년 이제 영상 인식에서 6%의 오차율까지

in image recognition.

내려갔습니다.

This is better than people, again.

이것도 사람보다 낫습니다.

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

기계는 정말 놀라울만큼 일을 잘하고 있고

and it is now being used in industry.

이제 산업에서 사용됩니다.

For example, Google announced last year

예를 들어, 구글은 작년에

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

프랑스의 구석구석을 2시간 안에 지도로 만들었다고 발표했는데

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

그들이 한 방법은 길거리에서 찍은 사진을

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

심화 학습 알고리즘에 입력해서 주소를 인식하고 읽게 했습니다.

Imagine how long it would have taken before:

이전에는 얼마나 오래 걸렸을지 생각해보세요.

dozens of people, many years.

수십명의 사람들이 몇 년동안 했겠죠.

This is also happening in China.

이것은 중국에서도 일어나고 있습니다.

Baidu is kind of the Chinese Google, I guess,

바이두는 중국판 구글이라고 제가 추측하는데

and what you see here in the top left

왼쪽 위에서 보는 것은

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

바이두의 심화 학습 시스템에 제가 올린 사진의 예이고

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

그 아래에 그 사진이 뭔지를 시스템이 이해하고

and found similar images.

비슷한 사진들을 찾아놓은 것을 볼 수 있죠.

The similar images actually have similar backgrounds,

비슷한 사진들은 실제로 비슷한 배경과

similar directions of the faces,

비슷한 얼굴 방향을 갖고 있고

even some with their tongue out.

혀를 내민 모습도 비슷하죠.

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

이것은 웹페이지의 글자를 찾은 게 아닙니다.

All I uploaded was an image.

제가 올린 것은 사진이었죠.

So we now have computers which really understand what they see

이제 컴퓨터가 본 것을 정말 이해해서

and can therefore search databases

수천만 장의 사진이 든

of hundreds of millions of images in real time.

데이터베이스를 실시간으로 찾을 수 있습니다.

So what does it mean now that computers can see?

컴퓨터가 볼 수 있다는 게 무슨 의미일까요?

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

컴퓨터가 볼 수 있다는 것만이 아니라

In fact, deep learning has done more than that.

사실 심화 학습은 더 많은 일을 했습니다.

Complex, nuanced sentences like this one

이렇게 복잡하고 미묘한 문장은

are now understandable with deep learning algorithms.

이제 심화 학습 알고리즘으로 이해할 수 있습니다.

As you can see here,

여기서 보듯이

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

위에 있는 빨간점을 보여주는 스탠포드에 있는 시스템은

has figured out that this sentence is expressing negative sentiment.

이 문장이 부정적인 느낌을 표현하는 것을 알아냈습니다.

Deep learning now in fact is near human performance

심화 학습은 이제 사실 사람에 가깝게

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

문장을 이해하고 그게 어떤 말을 하는지 압니다.

Also, deep learning has been used to read Chinese,

심화 학습은 또한 중국어를 읽는데 사용되었고

again at about native Chinese speaker level.

중국어 원어민 수준입니다.

This algorithm developed out of Switzerland

이 알고리즘은 스위스에서 개발되었는데

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

개발자 중 중국어를 할 수 있는 사람이 아무도 없었습니다.

As I say, using deep learning

심화 학습을 사용하는 것은

is about the best system in the world for this,

사람의 이해에 비해서도

even compared to native human understanding.

세계 최고의 시스템에 관한 것입니다.

This is a system that we put together at my company

이것은 우리가 회사에서

which shows putting all this stuff together.

모든 것을 다 통합해서 만든 시스템입니다.

These are pictures which have no text attached,

이것들은 글자가 없는 사진들로서

and as I'm typing in here sentences,

제가 문장을 입력하면

in real time it's understanding these pictures

실시간으로 그 사진들을 이해해서

and figuring out what they're about

그게 어떤 사진인지 알고

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

제가 쓰는 글에 대해 비슷한 사진을 찾아줍니다.

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

보다시피 제가 쓴 글을 이해하고

and actually understanding these pictures.

이 사진들을 실제로 이해합니다.

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

여러분은 구글에서 이와 비슷한 것을 봤을 텐데

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

여러분이 글자를 입력하면 사진을 보여줍니다.

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

하지만 실제로는 그 글자가 있는 웹페이지를 찾는 거죠.

This is very different from actually understanding the images.

이것은 사진을 실제로 이해하는 것과 아주 다릅니다.

This is something that computers have only been able to do

이것은 컴퓨터가 지난 몇 달동안

for the first time in the last few months.

처음으로 할 수 있었던 일입니다.

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

이제 컴퓨터는 볼 수 있을 뿐만 아니라 읽을 수도 있고

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

물론 들은 것도 이해할 수 있음을 봤습니다.

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

컴퓨터가 쓸 줄 안다고 얘기해도 이제는 놀라지 않으실 거에요.

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

이것은 심화 학습 알고리즘을 사용해서 어제 제가 만든 글입니다.

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

이것은 스탠포드에서 만든 알고리즘으로 만든 글입니다.

Each of these sentences was generated

이 글은 각각의 사진을

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

설명하기 위해 심화 학습 알고리즘이 만들었습니다.

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

이 알고리즘은 검은색 셔츠를 입고 기타를 치는 남자를 본 적이 없습니다.

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

남자를 본 적이 있고 검은 색을 본 적이 있고

it's seen a guitar before,

기타를 본 적은 있어요.

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

그런데 스스로 이 사진을 훌륭하게 설명했습니다.

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

아직도 사람보다는 못하지만 꽤 가까이 왔습니다.

In tests, humans prefer the computer-generated caption

실험에서 사람들은 컴퓨터가 만들어낸 캡션을

one out of four times.

4회당 1회 꼴로 좋아했습니다.

Now this system is now only two weeks old,

이 시스템은 이제 2주가 되었는데

so probably within the next year,

아마도 내년 안으로

the computer algorithm will be well past human performance

지금 진행되는 속도로 봐서 컴퓨터 알고리즘이

at the rate things are going.

사람을 앞지를 것입니다.

So computers can also write.

컴퓨터는 쓸 수도 있습니다.

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

그래서 이 모든 기능을 합하면 아주 흥미로운 기회가 생기겠죠.

For example, in medicine,

예를 들어 의학에서

a team in Boston announced that they had discovered

보스턴의 팀은 종양에서

dozens of new clinically relevant features

임상적으로 관련된 수십가지의 특징을 새롭게 발견했는데

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

이것으로 의사들이 암을 예측하는데 도움을 줄 수 있습니다.

Very similarly, in Stanford,

스탠포드에서도 비슷하게

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

한 그룹이 조직을 확대경으로 보는

they've developed a machine learning-based system

기계 학습을 기반으로 한 시스템을 개발했는데

which in fact is better than human pathologists

사실 암 환자의 생존율을 예측하는데

at predicting survival rates for cancer sufferers.

병리학자보다 낫다고 합니다.

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

두 경우 모두 예측이 더 정확할 뿐만 아니라

but they generated new insightful science.

통찰력있는 과학을 새로 만들어냈습니다.

In the radiology case,

방사선학의 경우

they were new clinical indicators that humans can understand.

사람이 이해할 수 있는 새로운 임상 징후가 있었습니다.

In this pathology case,

병리학의 경우

the computer system actually discovered that the cells around the cancer

컴퓨터 시스템은 진단을 하는데

are as important as the cancer cells themselves

실제로 암주변의 세포가 암 세포 만큼이나

in making a diagnosis.

중요하다는 사실을 발견했습니다.

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

이는 병리학자가 수십년동안 가르친 사실과 반대됩니다.

In each of those two cases, they were systems developed

각각의 경우에서 시스템은

by a combination of medical experts and machine learning experts,

의학 전문과와 기계 학습 전문가가 함께 개발했지만

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

작년에 그걸 뛰어넘었습니다.

This is an example of identifying cancerous areas

이것은 현미경으로 사람의 조직에서

of human tissue under a microscope.

암 조직을 밝히는 예입니다.

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

여기서 보는 시스템은 암 조직을 더 정확히 판별할 수 있고

or about as accurately, as human pathologists,

병리학자만큼이나 정확하게 판별할 수 있지만

but was built entirely with deep learning using no medical expertise

의학 전문가를 쓰지 않고 그 분야에 지식이 전혀 없는 사람들이

by people who have no background in the field.

심화 학습 만으로 만들었습니다.

Similarly, here, this neuron segmentation.

마찬가지로 여기 신경 분할인데

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

사람만큼이나 정확하게 신경을 분할할 수 있지만

but this system was developed with deep learning

이 시스템은 의학에 배경지식이 없는 사람들이

using people with no previous background in medicine.

심화 학습을 이용해서 만들었습니다.

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

그래서 저처럼 의학에 배경지식이 없는 사람이

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

새로운 의료 회사를 시작하는데 아주 적합한 사람처럼 보여서

which I did.

실제로 그렇게 했죠.

I was kind of terrified of doing it,

공포를 느꼈지만

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

이론은 이런 데이터 분석기법을 이용해서

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

아주 유용한 의학이 가능함을 제시해주고 있었죠.

And thankfully, the feedback has been fantastic,

그리고 감사하게도 평가는 좋았습니다.

not just from the media but from the medical community,

미디어 뿐만 아니라 의학계에서도

who have been very supportive.

아주 긍정적이었습니다.

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

그 이론은 의료 과정의 중간 부분을 우리가 가져와서

and turn that into data analysis as much as possible,

최대한 데이터 분석을 한 뒤

leaving doctors to do what they're best at.

의사들에게 그들이 잘하는 일을 맡기는 거죠.

I want to give you an example.

예를 보여드리겠습니다.

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

새로운 의료 진단 실험을 하는데 15분쯤 걸리는데

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

이제 실시간으로 보여드리죠.

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

몇 단계를 생략해서 3분으로 줄였습니다.

Rather than showing you creating a medical diagnostic test,

의료 진단 실험을 하는 것을 보여주는 대신

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

자동차 사진의 진단 실험을 보여드리겠습니다.

because that's something we can all understand.

왜냐하면 우리 모두 이해할 수 있는 거니까요.

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

여기서 150만 개의 자동차 사진으로 시작하죠.

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

사진을 찍은 각도로

of the photo that's being taken.

분류하는 뭔가를 만들고 싶어요.

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

이 사진들은 모두 제목도 없어서 처음부터 시작해야 됩니다.

With our deep learning algorithm,

심화 학습 알고리즘으로

it can automatically identify areas of structure in these images.

이 사진들의 구조를 자동으로 구별할 수 있습니다.

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

좋은 점은 사람과 컴퓨터가 함께 일할 수 있다는 거죠.

So the human, as you can see here,

사람은 여기서 보다시피

is telling the computer about areas of interest

컴퓨터한테 관심분야를 말하고

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

컴퓨터가 알고리즘을 개선하죠.

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

자, 이 심화 학습 시스템은 실제로 1만6천 차원의 공간을 가집니다.

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

컴퓨터가 이것을 그 공간사이로 회전하는 것을 볼 수 있습니다.

trying to find new areas of structure.

새로운 구조를 발견하려는 거죠.

And when it does so successfully,

컴퓨터가 성공적으로 끝내면

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

그걸 작동하는 사람은 관심있는 분야를 가리킵니다.

So here, the computer has successfully found areas,

여기서 컴퓨터는 그 분야를 성공적으로 찾아냈는데

for example, angles.

이 경우는 각도이죠.

So as we go through this process,

우리가 이 과정을 거쳐가면서

we're gradually telling the computer more and more

컴퓨터한테 우리가 찾고 있는 구조에 대해서

about the kinds of structures we're looking for.

단계적으로 더 많이 말해줍니다.

You can imagine in a diagnostic test

진단 실험에서

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

병리학자가 병적 상태인 곳을 밝혀내거나

or a radiologist indicating potentially troublesome nodules.

방사선의가 문제가 있을 수 있는 혹을 가르키는 것을 상상할 수 있습니다.

And sometimes it can be difficult for the algorithm.

알고리즘에서 어려운 부분도 있습니다.

In this case, it got kind of confused.

이 경우 약간 헷갈렸어요.

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

자동차의 앞과 뒤가 모두 섞여버렸죠.

So here we have to be a bit more careful,

그래서 여기서 좀더 주의해서

manually selecting these fronts as opposed to the backs,

뒤가 아니라 앞을 수동으로 선택해서

then telling the computer that this is a type of group

컴퓨터에게 우리가 관심있는 부분이 이 부분이라고

that we're interested in.

얘기를 해야합니다.

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

그래서 한동안 그 작업을 하고 좀 더 건너뛰면

and then we train the machine learning algorithm

이런 수백 가지 일을 바탕으로

based on these couple of hundred things,

기계 학습 알고리즘을 훈련시켜

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

앞으로 더 나아지기를 바랍니다.

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

보다시피 시스템은 사진들 일부를 사라지게 만들면서

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

이 사진들을 이해하는 법을 이미 인식하고 있음을 보여줍니다.

We can then use this concept of similar images,

우리는 비슷한 사진의 개념을 이용해서

and using similar images, you can now see,

이제 여러분이 보는 것과 같이

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

이 시점에서 컴퓨터는 자동차의 앞만 찾을 수 있습니다.

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

이 시점에서 사람은 컴퓨터에게

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

좋아, 잘 했어. 라고 말할 수 있죠.

Sometimes, of course, even at this point

물론 어떤 경우는 이 시점에도

it's still difficult to separate out groups.

그룹으로 나누기가 어렵습니다.

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

이 경우 컴퓨터가 한동안 이것을 회전하게 내버려둬도

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

왼쪽과 오른쪽이 뒤섞인 것을

are all mixed up together.

볼 수 있습니다.

So we can again give the computer some hints,

그래서 컴퓨터한테 다시 힌트를 줘서

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

심화 학습 알고리즘을 이용해서

the left sides and the right sides as much as possible

왼쪽과 오른쪽을 가능한 분리시키는

using this deep learning algorithm.

투사도를 찾아라고 합니다.

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

그 힌트를 주면 성공입니다.

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

이들 물체들을 분리해내는

that's separated out these together.

방법을 스스로 찾은 거죠.

So you get the idea here.

여기서 생각을 얻을 수 있죠.

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

사람이 컴퓨터로 대체되는 경우가 아니라

but where they're working together.

함께 일합니다.

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

우리가 여기서 하는 일은

of five or six people about seven years

5-6명의 팀이 7년쯤 걸리는 일을

and replacing it with something that takes 15 minutes

한 사람이 15분 걸려서

for one person acting alone.

하는 일로 대체합니다.

So this process takes about four or five iterations.

이 과정은 4 - 5 번 반복합니다.

You can see we now have 62 percent

보다시피 150만 장의 사진의

of our 1.5 million images classified correctly.

62%가 제대로 분류된 것을 볼 수 있죠.

And at this point, we can start to quite quickly

이 시점에서 우리는

grab whole big sections,

전체를 빠르게 잡아서

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

실수가 없는지 확인합니다.

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

실수가 있으면 컴퓨터에게 알리죠.

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

각각의 다른 그룹에서 이런 과정을 통해

we are now up to an 80 percent success rate

150만 장의 사진을 분류하는데

in classifying the 1.5 million images.

80%의 성공율을 보입니다.

And at this point, it's just a case

이 시점에서는

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

바르게 분류되지 않은 적은 숫자를 찾아

and trying to understand why.

이유를 알아내는 과정입니다.

And using that approach,

그런 방식으로

by 15 minutes we get to 97 percent classification rates.

15분 안에 우리는 97%의 분류율을 얻습니다.

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

이런 기술은 우리가 중요한 문제를 고칠 수 있게 하는데

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

그것은 세계에서 의료 전문가가 부족하다는 사실입니다.

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

세계 경제 포럼은 개발도상국에서

shortage of physicians in the developing world,

10배에서 20배의 의사가 부족하다고 말했는데

and it would take about 300 years

그 문제를 고치기 위해

to train enough people to fix that problem.

충분한 인원을 교육시키려면 300년이 걸립니다.

So imagine if we can help enhance their efficiency

이런 심화 학습 방식을 사용해서

using these deep learning approaches?

그들의 효율을 높일 수 있다고 상상해보세요.

So I'm very excited about the opportunities.

저는 그런 기회에 대해 아주 흥분했습니다.

I'm also concerned about the problems.

저는 그 문제도 걱정합니다.

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

여기서 문제는 이 지도에서 파란색으로 표시된 곳은

is somewhere where services are over 80 percent of employment.

서비스가 고용의 80% 이상을 차지합니다.

What are services?

무슨 서비스일까요?

These are services.

이런 서비스입니다.

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

이것들은 컴퓨터가 방금 배운 것과 똑같습니다.

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

개발된 세상에서 고용의 80%가

is stuff that computers have just learned how to do.

컴퓨터가 방금 배운 것입니다.

What does that mean?

그게 뭘 뜻합니까?

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

글쎄, 괜찮을거에요. 다른 일자리로 대체되겠죠.

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

예를 들면, 데이터 과학자한테 더 많은 일이 있을 겁니다.

Well, not really.

그렇지 않아요.

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

데이터 과학자가 이런 것을 만드는데 오래 걸리지 않습니다.

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

예를 들어, 4가지 알고리즘이 모두 한 사람이 만들었죠.

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

여러분이 이전에도 이런 일이 벌어졌다고 생각한다면

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

과거에 새로운 것이 나타났을 때 그 결과를 본 적이 있죠.

and they get replaced by new jobs,

새로운 일자리로 대체되었고

what are these new jobs going to be?

새로운 일자리는 어떤 것일까요?

It's very hard for us to estimate this,

이것을 예측하기가 정말 어렵습니다.

because human performance grows at this gradual rate,

왜냐하면 사람의 성과는 이렇게 점진적인데

but we now have a system, deep learning,

심화 학습 시스템은

that we know actually grows in capability exponentially.

능력이 기하급수적으로 증가하는 것을 압니다.

And we're here.

우리는 여기에 있죠.

So currently, we see the things around us

현재 우리는 주변을 보면서 말해요.

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

"컴퓨터는 정말 바보야." 그렇지?

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

하지만 5년 안에 컴퓨터는 이 도표밖으로 나갈 겁니다.

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

그래서 이 능력을 지금 당장 생각해야 합니다.

We have seen this once before, of course.

물론 전에도 이걸 본 적이 있습니다.

In the Industrial Revolution,

산업 혁명에서

we saw a step change in capability thanks to engines.

엔진 덕분에 능력이 한 단계 달라졌죠.

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

하지만 시간이 좀 흐른 뒤 오름세가 멈췄습니다.

There was social disruption,

사회적 분열이 있었지만

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

엔진을 사용해서 모든 상황에서 동력을 만들어내자

things really settled down.

모든게 안정되었죠.

The Machine Learning Revolution

기계 학습 혁명은

is going to be very different from the Industrial Revolution,

산업 혁명과는 아주 다릅니다.

because the Machine Learning Revolution, it never settles down.

기계 학습 혁명은 절대 안정되지 않을 거니까요.

The better computers get at intellectual activities,

컴퓨터의 지능활동이 더 나을수록

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

더 나은 컴퓨터를 만들테고 그 컴퓨터는 지적 능력이 더 뛰어나겠죠.

so this is going to be a kind of change

그래서 이것은 세계가 실제로

that the world has actually never experienced before,

경험해본 적이 없는 변화가 될 것입니다.

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

여러분이 이전에 가능하다고 이해한 것들이 이제는 다릅니다.

This is already impacting us.

이것은 이미 우리에게 영향을 주고 있습니다.

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

지난 25년간 자본 생산량은 증가했지만

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

노동 생산량은 변화가 없었고 사실 조금 감소했습니다.

So I want us to start having this discussion now.

그래서 이런 토론을 지금부터 시작하고 싶습니다.

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

제가 이런 상황을 사람들에게 종종 얘기하면

people can be quite dismissive.

사람들은 아주 무시합니다.

Well, computers can't really think,

컴퓨터는 진짜 생각할 수 없어.

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

감정을 드러내지 못하고 시도 이해를 못하지.

we don't really understand how they work.

우리는 컴퓨터가 어떻게 작동하는지 정말 이해할 수 없어.

So what?

그러니 어쩌라고?

Computers right now can do the things

컴퓨터는 지금

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

사람들이 돈받고 하는 일을 할 수 있습니다.

so now's the time to start thinking

그래서 이제는 우리가

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

이런 새로운 현실을 인식하도록 사회적, 경제적 구조를 조정하는 법을

to be aware of this new reality.

생각해봐야 할 때입니다.

Thank you.

감사합니다.

(Applause)

(박수)