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

of human tissue under a microscope.

このシステムは 人間の病理医と同じか

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

それ以上の精度で がん領域を識別できますが

or about as accurately, as human pathologists,

医療の知識や経験のない チームによって