Placeholder Image

字幕表 動画を再生する

  • 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 achieve, 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 practitioners.

    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 results are 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,

    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

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

    他のアルゴリズムよりも

  • Not only could it recognize the traffic signs

    上手く識別できた というだけでなく

  • better than any other algorithm,

    このスコアボードにある通り 2位の人間より

  • the leaderboard actually showed it was better than people,

    2倍高い精度で 識別できたんです

  • about twice as good as people.

    2011年には コンピューターが人よりも

  • So by 2011, we had the first example

    良く見ることができる事例が 生まれたわけです

  • of computers that can see better than people.

    それ以来いろんなことが 起きています

  • Since that time, a lot has happened.

    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

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

    YouTubeビデオを見て

  • to watch YouTube videos

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

    コンピューターが「人」や 「猫」といった概念を

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

    自分で学んだということです

  • just by watching the videos.

    これは人が学習する方法に 近いものです

  • This is much like the way that humans learn.

    人は見たものを 教えられて学ぶよりは

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

    むしろそれが何なのか 自分で学んでいくものです

  • but by learning for themselves what these things are.

    2012年にはまた 先ほど名前の出たジェフリー・ヒントンが

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

    有名なImageNet競技会で 優勝しましたが

  • won the very popular ImageNet competition,

    これは150万の画像を 何の写真か

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

    判別するというものです

  • what they're pictures of.

    2014年の時点で 画像認識の誤り率は

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

    6%までになっています

  • in image recognition.

    これも人間より高い精度です

  • This is better than people, again.

    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

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

    商業的にも 利用されています

  • and it is now being used in industry.

    たとえばGoogleは 去年フランス国内のすべての番地を

  • For example, Google announced last year

    2時間で地図に登録したと 発表しました

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

    その方法は ストリートビューの画像を

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

    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

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

    かつてなら どれほど時間を 要したか分かりません

  • Imagine how long it would have taken before:

    何十人掛かりで 何年もかかったでしょう

  • dozens of people, many years.

    こちらは中国の Baiduによるもので

  • This is also happening in China.

    中国版のGoogle のようなサービスです

  • Baidu is kind of the Chinese Google, I guess,

    左上の画像は

  • and what you see here in the top left

    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

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

    下に並んでいるのは システムがその画像を理解して

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

    似た画像を集めた結果です

  • and found similar images.

    類似画像は 似たような背景や

  • The similar images actually have similar backgrounds,

    似た顔の向きを持ち

  • similar directions of the faces,

    同じく舌を出してる ものまであります

  • even some with their tongue out.

    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

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

    アップしたのは 画像だけです

  • All I uploaded was an image.

    今やコンピュータは 見た物を理解して

  • So we now have computers which really understand what they see

    何億という画像の データベースから

  • and can therefore search databases

    リアルタイムで検索できるまでに なっているのです

  • of hundreds of millions of images in real time.

    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?

  • So what does it mean now 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

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

    ディープ・ラーニングには それ以上のことができます

  • In fact, deep learning has done more than that.

    このような複雑で ニュアンスに富んだ文章を

  • Complex, nuanced sentences like this one

    ディープ・ラーニング・アルゴリズムは 理解できます

  • are now understandable with deep learning algorithms.

    ご覧いただいているのは

  • As you can see here,

    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

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

    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

  • has figured out that this sentence is expressing negative sentiment.

    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

  • Deep learning now in fact is near human performance

    人間に近い精度で 理解できるようになっているのです

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

    ディープ・ラーニングは 中国語を読むのにも使われ

  • Also, deep learning has been used to read Chinese,

    中国語のネイティブ話者並の 精度があります

  • again at about native Chinese speaker level.

    これを開発したのは スイスのチームですが

  • This algorithm developed out of Switzerland

    その中に中国語の分かる人は いなかったそうです

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

    ディープ・ラーニングは これに関して

  • As I say, using deep learning

    ネイティブの人間にも劣らない

  • is about the best system in the world for this,

    最も優れたシステムなのです

  • even compared to native human understanding.

    これは私の会社で 構築したシステムで

  • This is a system that we put together at my company

    すべてを組み合わせたものです

  • which shows putting all this stuff together.

    これらの画像には テキストが紐付けされてはおらず

  • These are pictures which have no text attached,

    ユーザーが文をタイプすると

  • and as I'm typing in here sentences,

    リアルタイムで画像を理解し

  • in real time it's understanding these pictures

    何の画像かを判別して

  • and figuring out what they're about

    書き込まれた文に近い画像を 見つけます

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

    だから私の書いた文と これらの画像を

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

    同時に理解しているわけです

  • and actually understanding these pictures.

    Googleのサイトで 似たものを見たことがあるでしょう

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

    何かタイプすると 画像が表示されますが

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

    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

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

    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 very different from actually understanding the images.

    このようなことが できるようになったのは

  • This is something that computers have only been able to do

    ほんのここ数ヶ月のことです

  • for the first time in the last few months.

    コンピューターには「見る」だけでなく 「読む」こともでき

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

    「聞く」ことによって理解できることも お見せしました

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

    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

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

    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

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

    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

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

    それぞれの画像を 説明する文が

  • Each of these sentences was generated

    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

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

    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

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

    「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 man before, it's seen black before,

    「ギター」を見たことはありますが

  • it's seen a guitar before,

    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

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

    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

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

    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 —

  • In tests, humans prefer the computer-generated caption

    という結果になっています

  • one out of four times.

    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

  • Now this system is now only two weeks old,

    このまま行くと たぶん来年中には

  • so probably within the next year,

    コンピューターアルゴリズムの成績が

  • the computer algorithm will be well past human performance

    人間を上回るのではと思います

  • at the rate things are going.

    だからコンピューターは 書くこともできるのです

  • So computers can also write.

    これらをまとめたら 非常に興味深い可能性が開けます

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

    たとえば医療です

  • For example, in medicine,

    あるボストンのチームは コンピューターによって

  • a team in Boston announced that they had discovered

    医師が がんの診断を する上で役に立つ

  • dozens of new clinically relevant features

    何十という腫瘍の特徴を発見したと 発表しました

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

    同様にスタンフォードのグループは

  • Very similarly, in Stanford,

    組織の拡大画像を見て

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

    がん患者の生存率を

  • they've developed a machine learning-based system

    人間の病理医よりも 正確に予想する

  • which in fact is better than human pathologists

    機械学習システムを 開発しました

  • at predicting survival rates for cancer sufferers.

    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

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

    新たな科学的洞察を もたらしています

  • but they generated new insightful science.

    放射線医学のケースでは

  • In the radiology case,

    人間に理解できる 新しい臨床的な指標です

  • they were new clinical indicators that humans can understand.

    病理学のケースでは

  • In this pathology case,

    診断において がん細胞だけでなく

  • the computer system actually discovered that the cells around the cancer

    がんの周囲の細胞も 重要であることを

  • are as important as the cancer cells themselves

    発見しました

  • in making a diagnosis.

    これは病理医が 何十年も教わってきたのとは逆です

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

    どちらのケースでも システムは

  • In each of those two cases, they were systems developed

    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

  • by a combination of medical experts and machine learning experts,

    去年我々はこの面をも 乗り越えました

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

    これは顕微鏡で見た 人の組織から

  • This is an example of identifying cancerous areas

    がんの領域を 識別する例です