Audience: Apple. Kenneth Cukier: Apple. Of course it is.

アメリカで人気のパイと言えば？

How do we know it?

聴衆：「アップルパイ」 もちろん アップルパイですよね

Because of data.

どうして分かるのでしょうか？

You look at supermarket sales.

データがあるからです

You look at supermarket sales of 30-centimeter pies

スーパーの売上げを考えてみましょう

that are frozen, and apple wins, no contest.

30cmの冷凍パイの売上げについてです

The majority of the sales are apple.

アップルパイが断トツ１位です

But then supermarkets started selling

売上げの大部分がアップルパイです

smaller, 11-centimeter pies,

ところが スーパーが小さな

and suddenly, apple fell to fourth or fifth place.

11ｃｍセンチのパイを売り始めると

Why? What happened?

突然 アップルパイは ４､５番目に転落しまいました

Okay, think about it.

なぜでしょうか？ 何が起こったのでしょうか？

When you buy a 30-centimeter pie,

考えてみてください

the whole family has to agree,

30cmのパイを買う時は

and apple is everyone's second favorite.

家族全員の希望に沿うパイを選びます

(Laughter)

アップルパイは家族の第二希望なのです

But when you buy an individual 11-centimeter pie,

（笑）

you can buy the one that you want.

でも 個人用の11cmのパイを買う時は

You can get your first choice.

自分が欲しいパイを買います

You have more data.

自分の第一希望を買えるのです

You can see something

データがたくさんあると

that you couldn't see

データが少ない時には

when you only had smaller amounts of it.

分からなかったことが

Now, the point here is that more data

分かってくるのです

doesn't just let us see more,

つまり より多くのデータがあると

more of the same thing we were looking at.

多くが見えるだけでなく

More data allows us to see new.

見ていたことからも多くが分かるのです

It allows us to see better.

データが多いほど 新しいことが分かってきます

It allows us to see different.

より良い見方や

In this case, it allows us to see

違う見方ができるようになります

what America's favorite pie is:

この例で　分かることは

not apple.

「アメリカで人気のパイは

Now, you probably all have heard the term big data.

アップルパイではない」ということです

In fact, you're probably sick of hearing the term

皆さんは「ビッグデータ」という言葉を お聞きになられたことがあるでしょう

big data.

もしかしたら 耳にタコがでくるくらい

It is true that there is a lot of hype around the term,

お聞きになっているかもしれません

and that is very unfortunate,

ビッグデータは 誇大宣伝されている部分もあり

because big data is an extremely important tool

非常に残念なことです

by which society is going to advance.

なぜなら ビッグデータは 社会の進歩に欠かせない

In the past, we used to look at small data

非常に重要なツールだからです

and think about what it would mean

昔は 少ないデータから

to try to understand the world,

世界を理解しようと

and now we have a lot more of it,

考えてきました

more than we ever could before.

現在は 以前では考えられなかった程の

What we find is that when we have

大量のデータがあるのです

a large body of data, we can fundamentally do things

大量のデータがあると

that we couldn't do when we only had smaller amounts.

データ量が少なかった時に 不可能だったことが

Big data is important, and big data is new,

根本的に可能になる ということが分かってきました

and when you think about it,

ビッグデータは重要で 新しいものです

the only way this planet is going to deal

ビックデータについて考えてみると

with its global challenges —

地球規模の課題について－

to feed people, supply them with medical care,

食糧問題や医療の供給

supply them with energy, electricity,

エネルギーや電力の供給などに

and to make sure they're not burnt to a crisp

対処する唯一の方法であり

because of global warming —

地球温暖化の影響で

is because of the effective use of data.

カリカリに焼けることがないように

So what is new about big data? What is the big deal?

データを効率的に使うことが必要なのです

Well, to answer that question, let's think about

ビッグデータの新しいモノとは何で 重大事とは何でしょうか？

what information looked like,

その問いに答えるために

physically looked like in the past.

情報がどのようなもので

In 1908, on the island of Crete,

過去には 物理的にどう映っていたのかを 考えてみましょう

archaeologists discovered a clay disc.

1908年 クレタ島で

They dated it from 2000 B.C., so it's 4,000 years old.

考古学者が粘土の円盤を発見しました

Now, there's inscriptions on this disc,

4.000年前の紀元前2,000年のものです

but we actually don't know what it means.

この円盤には文字が書かれていますが

It's a complete mystery, but the point is that

実質的には 解読できません

this is what information used to look like

完全に謎なのですが

4,000 years ago.

4,000年前の情報がどんなもの

This is how society stored

だったのかを言いたいのです

and transmitted information.

これが 社会が情報を保管して

Now, society hasn't advanced all that much.

伝えたやり方です

We still store information on discs,

さて 社会はそれほど進歩しませんでした

but now we can store a lot more information,

今でもディスクに情報を保管しています

more than ever before.

でも 以前よりもずっと大量の情報を

Searching it is easier. Copying it easier.

保管できるのです

Sharing it is easier. Processing it is easier.

検索やコピーも より簡単です

And what we can do is we can reuse this information

共有や処理も より簡単です

for uses that we never even imagined

情報を収集する時

when we first collected the data.

かつては想像だにしなかった

In this respect, the data has gone

情報の再利用もできるのです

from a stock to a flow,

この点において データは

from something that is stationary and static

固定的なモノから流動的なモノへ

to something that is fluid and dynamic.

変化のない静的なモノから

There is, if you will, a liquidity to information.

変わりやすくダイナミックスなモノへと 変化しているのです

The disc that was discovered off of Crete

いうなれば 情報には流動性があります

that's 4,000 years old, is heavy,

クレタ島で発見された

it doesn't store a lot of information,

4,000年前の円盤は重く

and that information is unchangeable.

情報はたくさん書かれていませんし

By contrast, all of the files

書き変えることはできないのです

that Edward Snowden took

対照的に エドワード・スノーデンが

from the National Security Agency in the United States

アメリカの国家安全保障局から

fits on a memory stick

持ち出したファイルはすべて

the size of a fingernail,

指の爪サイズの

and it can be shared at the speed of light.

USBに保存でき

More data. More.

光速で共有できるのです

Now, one reason why we have so much data in the world today

データは膨れ上がっています

is we are collecting things

さて 今日の世界に大量のデータがあるのは

that we've always collected information on,

常時 情報を集めているモノを

but another reason why is we're taking things

収集しているからです

that have always been informational

別の理由は 常に情報を含みつつも

but have never been rendered into a data format

データ形式にレンダレングされていない

and we are putting it into data.

ものを集めているからです

Think, for example, the question of location.

そしてデータに置き換えます

Take, for example, Martin Luther.

例として 場所について考えてみましょう

If we wanted to know in the 1500s

マーティン・ルターを例に挙げます

where Martin Luther was,

1,500年代に

we would have to follow him at all times,

マーティン・ルターの居場所を知りたいのなら

maybe with a feathery quill and an inkwell,

常に彼の後をついて行き

and record it,

羽ペンとインク入れを持ち運び

but now think about what it looks like today.

居場所を記録しなければなりません

You know that somewhere,

でも 今日ではどうでしょうか

probably in a telecommunications carrier's database,

電気通信業者のデータペースにより

there is a spreadsheet or at least a database entry

居場所が分かります

that records your information

常に あなたの居場所に関する情報を

of where you've been at all times.

記録するスプレッドシートや

If you have a cell phone,

データベースへの登録などがあります

and that cell phone has GPS, but even if it doesn't have GPS,

携帯電話を持っているなら

it can record your information.

GPS機能があります GPS機能のない機種でも

In this respect, location has been datafied.

あなたの情報を記録できるのです

Now think, for example, of the issue of posture,

つまり 場所はデータ化されるのです

the way that you are all sitting right now,

別の例として 姿勢について考えてみましょう

the way that you sit,

今皆さん全員座っておられますが

the way that you sit, the way that you sit.

あなたの座り方

It's all different, and it's a function of your leg length

あなたの座り方 あなたの座り方

and your back and the contours of your back,

全て異なります 足の長さや

and if I were to put sensors, maybe 100 sensors

背中や背中の曲線などが違います

into all of your chairs right now,

今皆さんが座られている椅子に

I could create an index that's fairly unique to you,

100個のセンサーを付けるなら

sort of like a fingerprint, but it's not your finger.

あなた独自の座り方の特徴を

So what could we do with this?

指ではないですが 指紋のように 分類できるのです

Researchers in Tokyo are using it

これで何ができるのでしょうか？

as a potential anti-theft device in cars.

東京の研究者は

The idea is that the carjacker sits behind the wheel,

これを車の盗難防止装置 として使えると考えています

tries to stream off, but the car recognizes

運転席に車泥棒が座るという発想により

that a non-approved driver is behind the wheel,

防犯につなげようとしています

and maybe the engine just stops, unless you

認証されていないドライバーが 運転席に座ると

type in a password into the dashboard

「自分は認証されたドライバーである」

to say, "Hey, I have authorization to drive." Great.

と伝えるために ダッシュボードにパスワードを入力しないと

What if every single car in Europe

エンジンが始動しないかもしれません 素晴らしいですね

had this technology in it?

ヨーロッパで全ての車が この技術を搭載すると

What could we do then?

どうなるのでしょうか？

Maybe, if we aggregated the data,

その時 何ができるのでしょうか？

maybe we could identify telltale signs

おそらく データを収集すると

that best predict that a car accident

車の事故が 次の５秒で起こることを

is going to take place in the next five seconds.

ピタリと言い当てることが

And then what we will have datafied

できるかもしれません

is driver fatigue,

そして ドライバーの疲労を

and the service would be when the car senses

データ化し

that the person slumps into that position,

車がドライバーの姿勢が悪くなってきたと

automatically knows, hey, set an internal alarm

感じたら 自動的に 内部アラームを設定します

that would vibrate the steering wheel, honk inside

ハンドルを振動させたり

to say, "Hey, wake up,

「起きてください

pay more attention to the road."

道路にもっと注意を向けましょう」と

These are the sorts of things we can do

言葉で教えてくれます

when we datafy more aspects of our lives.

暮らしの様々な側面をデータ化すると

So what is the value of big data?

私たちのできることを分類できます

Well, think about it.

つまり ビックデータの価値とは 何でしょうか？

You have more information.

考えてみてください

You can do things that you couldn't do before.

あなたは より多くの情報を持っており

One of the most impressive areas

以前にはできなかったことが できるのです

where this concept is taking place

このコンセプトが生じる

is in the area of machine learning.

最も印象的な領域の１つが

Machine learning is a branch of artificial intelligence,

機械学習の領域です

which itself is a branch of computer science.

機械学習とは 人口知能に含まれ

The general idea is that instead of

コンピュータ・サイエンスの１つです

instructing a computer what to do,

その概念は コンピュータに

we are going to simply throw data at the problem

何をするかを教える代わりに

and tell the computer to figure it out for itself.

単純に問題となるデータを投げると

And it will help you understand it

コンピュータが独自に解明してくれるのです

by seeing its origins.

その起源を辿ると

In the 1950s, a computer scientist

分かりやすいでしょう

at IBM named Arthur Samuel liked to play checkers,

1950年代 アーサー・サミュエルという

so he wrote a computer program

IBMのコンピュータ科学者は チェッカーが好きでした

so he could play against the computer.

コンピュータ・プログラムを書き

He played. He won.

彼はコンピュータと対戦しました

He played. He won.

彼は対戦して 勝ちました

He played. He won,

彼は対戦して 勝ちました

because the computer only knew

彼は対戦して 勝ちました

what a legal move was.

コンピュータが正式なルールしか

Arthur Samuel knew something else.

知らなかったからです

Arthur Samuel knew strategy.

アーサー・サミュエルは すごいことを知っていました

So he wrote a small sub-program alongside it

彼は 戦略を知っていました

operating in the background, and all it did

彼はサブプログラムを作成して

was score the probability

バックグラウンドで走らせました

that a given board configuration would likely lead

サブプログラムは 一手ごとに

to a winning board versus a losing board

その盤面の配置から

after every move.

勝つ確率と負ける確率を

He plays the computer. He wins.

記録したのです

He plays the computer. He wins.

彼はコンピュータと対戦して 勝ちました

He plays the computer. He wins.

彼はコンピュータと対戦して 勝ちました

And then Arthur Samuel leaves the computer

彼はコンピュータと対戦して 勝ちました

to play itself.

そして アーサー・サミュエルは

It plays itself. It collects more data.

コンピュータ自体が ゲームをするようにしました

It collects more data. It increases the accuracy of its prediction.

コンピュータは独自にゲームをし より多くのデータを集めました

And then Arthur Samuel goes back to the computer

より多くのデータを集めると 予測の精度も上がります

and he plays it, and he loses,

そしてアーサー・サミュエルは

and he plays it, and he loses,

コンピュータの所へ戻り 対戦して 負けました

and he plays it, and he loses,

彼は対戦して 負けました

and Arthur Samuel has created a machine

彼は対戦して 負けました

that surpasses his ability in a task that he taught it.

アーサー・サミュエルは 教えたタスクで

And this idea of machine learning

彼の能力を凌ぐ コンピュータを作りあげました

is going everywhere.

機械学習という発想は

How do you think we have self-driving cars?

どこにでもあります

Are we any better off as a society

自動運転車はどのように 作られたと思いますか？

enshrining all the rules of the road into software?

ソフトウェアに 全道路法規を記入すると

No. Memory is cheaper. No.

より豊かな社会なのでしょうか？

Algorithms are faster. No. Processors are better. No.

いいえ 　記憶装置は安価？ いいえ

All of those things matter, but that's not why.

アルゴリズムがより速い？　いいえ プロセッサがより良い？　いいえ

It's because we changed the nature of the problem.

それらはすべて重要ですが それが理由ではありません

We changed the nature of the problem from one

問題の性質を変えているからです

in which we tried to overtly and explicitly

私たちの言わんとすることを－

explain to the computer how to drive

例えば 「自動車の周辺には多くの情報があり

to one in which we say,

皆さんは それを理解しています

"Here's a lot of data around the vehicle.

信号機についても理解しています

You figure it out.

信号機は赤で青ではないので

You figure it out that that is a traffic light,

停止する必要があり

that that traffic light is red and not green,

前進できません」ということを

that that means that you need to stop

コンピュータに明確に

and not go forward."

説明しようと試みていた

Machine learning is at the basis

問題の性質を変えてしまいました

of many of the things that we do online:

機械学習は 私たちが

search engines,

ネット上で行う多くの事の 根底となっています

Amazon's personalization algorithm,

例えば 検索エンジン

computer translation,

Amazonのパーソナライズ・アルゴリズム

voice recognition systems.

自動翻訳

Researchers recently have looked at

音声認識などです

the question of biopsies,

最近 研究者は生検や

cancerous biopsies,

ガンの生検について

and they've asked the computer to identify

研究しており

by looking at the data and survival rates

細胞が実際ガンに冒されているか

to determine whether cells are actually

どうかを調べるために

cancerous or not,

データや生存率を使って

and sure enough, when you throw the data at it,

コンピュータに 特定させようとしています

through a machine-learning algorithm,

案の定 データを入力すると

the machine was able to identify

機会学習のアルゴリズム経由で

the 12 telltale signs that best predict

コンピュータは12個の兆候を

that this biopsy of the breast cancer cells

特定することで

are indeed cancerous.

乳ガン細胞の生検結果はガンであると

The problem: The medical literature

ビタリと予測します

only knew nine of them.

問題は 医学文献が

Three of the traits were ones

９個しか兆候を知らなかったことです

that people didn't need to look for,

特性のうち ３個は

but that the machine spotted.

探す必要がないものでしたが

Now, there are dark sides to big data as well.

コンピュータは見つけました

It will improve our lives, but there are problems

さて　ビックデータにも負の側面があります

that