Placeholder Image

字幕表 動画を再生する

  • America's favorite pie is?

    翻訳: Masako Kigami 校正: Miki H

  • 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