Placeholder Image

字幕表 動画を再生する

  • Chris Anderson: Help us understand what machine learning is,

    翻訳: Yasushi Aoki 校正: Claire Ghyselen

  • because that seems to be the key driver

    (クリス・アンダーソン) 機械学習というのは いったい何なのか

  • around artificial intelligence.

    教えていただけませんか?

  • How does machine learning work?

    それが人工知能を巡る

  • Sebastian Thrun: So, artificial intelligence and machine learning

    熱狂や不安の中心に あるもののようなので

  • is about 60 years old

    いったいどんな仕組み なんでしょう?

  • and has not had a great day in its past until recently.

    (セバスチャン・スラン) 人工知能と 機械学習は

  • And the reason is that today,

    60年くらいの 歴史があるんですが

  • we have reached a scale of computing and datasets

    最近まで目覚ましい結果は 出ていませんでした

  • that was necessary to make machines smart.

    近頃になってようやく

  • So here's how it works:

    機械を賢いものにするのに 必要な規模の

  • If you program a computer today, say, your phone,

    計算能力やデータセットが 得られるようになったからです

  • then you hire software engineers

    その仕組みはこうです

  • that write a very, very long kitchen recipe,

    たとえばスマートフォンの プログラムを作ろうと思ったら

  • like, "If the water is too hot, turn down the temperature.

    ソフトウェアエンジニアを雇って

  • If it's too cold, turn up the temperature."

    すごく長いレシピを 書いてもらうことになります

  • The recipes are not just 10 lines long.

    「水が熱すぎたら温度を下げる

  • They are millions of lines long.

    冷たすぎたら温度を上げる」 みたいな感じに

  • A modern cell phone has 12 million lines of code.

    そのレシピは10行とかではなく

  • A browser has five million lines of code.

    何百万行にもなり得ます

  • And each bug in this recipe can cause your computer to crash.

    今時の携帯電話には 1200万行のコードがあり

  • That's why a software engineer makes so much money.

    ブラウザーには 500万行のコードがあります

  • The new thing now is that computers can find their own rules.

    しかもレシピに何か欠陥があると コンピューターをクラッシュさせかねません

  • So instead of an expert deciphering, step by step,

    だからソフトウェアエンジニアは あんなに稼いでいるんです

  • a rule for every contingency,

    ところが 今やコンピューターが 自分でルールを見付けられるようになっています

  • what you do now is you give the computer examples

    専門家がステップに分解し

  • and have it infer its own rules.

    あらゆる事態に対して ルールを書く代わりに

  • A really good example is AlphaGo, which recently was won by Google.

    コンピューターに例を示して

  • Normally, in game playing, you would really write down all the rules,

    ルールを自分で導かせるのです

  • but in AlphaGo's case,

    その良い例が 最近Googleが買収した 囲碁プログラムのAlphaGoです

  • the system looked over a million games

    通常なら ゲームをさせるには あらゆるルールを記述することになりますが

  • and was able to infer its own rules

    AlphaGoの場合

  • and then beat the world's residing Go champion.

    何百万という対局を見て

  • That is exciting, because it relieves the software engineer

    自分で独自にルールを導き

  • of the need of being super smart,

    現役のチャンピオンを 下してしまったのです

  • and pushes the burden towards the data.

    その何が嬉しいかというと

  • As I said, the inflection point where this has become really possible --

    プログラミングの重荷が データへと押しやられ

  • very embarrassing, my thesis was about machine learning.

    ソフトウェアエンジニアはそんなに頭が 良くなくともよくなったことです

  • It was completely insignificant, don't read it,

    それが可能になったというのが 大きな転換点でした

  • because it was 20 years ago

    気恥ずかしいのは 私の博士論文は機械学習でしたが

  • and back then, the computers were as big as a cockroach brain.

    大したものじゃないので どうか読まないで

  • Now they are powerful enough to really emulate

    20年前のことで 当時のコンピューターは

  • kind of specialized human thinking.

    ゴキブリ並の頭しか なかったんです

  • And then the computers take advantage of the fact

    今日では専門的な人間の思考を 模倣できるくらいに

  • that they can look at much more data than people can.

    強力になりました

  • So I'd say AlphaGo looked at more than a million games.

    しかもコンピューターには 人間が見られるよりも

  • No human expert can ever study a million games.

    ずっと多くのデータを 見ることができます

  • Google has looked at over a hundred billion web pages.

    AlphaGoは何百万という 対局を検討しますが

  • No person can ever study a hundred billion web pages.

    人間にはそんなに沢山 検討することはできません

  • So as a result, the computer can find rules

    Googleは千億以上の ウェブページを見ていますが

  • that even people can't find.

    千億ページを 読める人間はいません

  • CA: So instead of looking ahead to, "If he does that, I will do that,"

    だからコンピューターは 人間に見付けられないようなルールを

  • it's more saying, "Here is what looks like a winning pattern,

    見付けることができるのです

  • here is what looks like a winning pattern."

    (アンダーソン) つまり 「相手がこう来たらこうしよう」と考えるのではなく

  • ST: Yeah. I mean, think about how you raise children.

    「こういうのが勝ちパターンのようだ」

  • You don't spend the first 18 years giving kids a rule for every contingency

    と考えるわけですね

  • and set them free and they have this big program.

    (スラン) ええ 子育てを考えてください

  • They stumble, fall, get up, they get slapped or spanked,

    最初の18年間で あらゆる事態に 対するルールを教え込み

  • and they have a positive experience, a good grade in school,

    それから世に出す わけではありません

  • and they figure it out on their own.

    躓き 倒れ 立ち上がり はたかれ ぶたれ

  • That's happening with computers now,

    楽しい経験をし 良い成績を取り

  • which makes computer programming so much easier all of a sudden.

    そうやって自分で 見付けていくのです

  • Now we don't have to think anymore. We just give them lots of data.

    それが今コンピューターにも 起きているのです

  • CA: And so, this has been key to the spectacular improvement

    それによってプログラミングが 突如 簡単なものになります

  • in power of self-driving cars.

    考える必要はなく ただ沢山のデータを与えれば良いのです

  • I think you gave me an example.

    (アンダーソン) それが自動運転車の 目覚ましい進歩の

  • Can you explain what's happening here?

    鍵というわけですね

  • ST: This is a drive of a self-driving car

    事例をお持ち いただきましたが

  • that we happened to have at Udacity

    ここで何が起きているのか 説明していただけますか?

  • and recently made into a spin-off called Voyage.

    (スラン) これは自動運転車の 走行の様子で

  • We have used this thing called deep learning

    Udacityで作り

  • to train a car to drive itself,

    Voyageとして スピンオフしたものです

  • and this is driving from Mountain View, California,

    自律走行できるよう

  • to San Francisco

    ディープラーニングと呼ばれる手法で 車をトレーニングし

  • on El Camino Real on a rainy day,

    マウンテンビューから

  • with bicyclists and pedestrians and 133 traffic lights.

    サンフランシスコまで

  • And the novel thing here is,

    エル・カミーノ・レアルを雨の日に

  • many, many moons ago, I started the Google self-driving car team.

    自転車や歩行者や 133の信号がある中で走っています

  • And back in the day, I hired the world's best software engineers

    私はずっと昔に

  • to find the world's best rules.

    Googleで自動運転車の 開発チームを作りました

  • This is just trained.

    当時は世界最高の ソフトウェアエンジニアを集めて

  • We drive this road 20 times,

    世界最高のルールを 見付けようとしたものです

  • we put all this data into the computer brain,

    ここでは単に トレーニングするだけです

  • and after a few hours of processing,

    この道を20回走り

  • it comes up with behavior that often surpasses human agility.

    すべてのデータを コンピューターに取り込み

  • So it's become really easy to program it.

    数時間の処理の後

  • This is 100 percent autonomous, about 33 miles, an hour and a half.

    人間よりも上手いくらいに 運転できるようになりました

  • CA: So, explain it -- on the big part of this program on the left,

    だからプログラミングは すごく簡単です

  • you're seeing basically what the computer sees as trucks and cars

    完全に自律的に 53キロを1時間半で走っています

  • and those dots overtaking it and so forth.

    (アンダーソン) 画面左側の大きな部分が

  • ST: On the right side, you see the camera image, which is the main input here,

    コンピューターの見ているもので

  • and it's used to find lanes, other cars, traffic lights.

    トラックや車を表す点が 動いているわけですか

  • The vehicle has a radar to do distance estimation.

    (スラン) 右側がカメラ映像で これが主要な入力となり

  • This is very commonly used in these kind of systems.

    レーンや他の車や信号を 見付けるのに使っています

  • On the left side you see a laser diagram,

    この車には距離を測るための レーダーがあります

  • where you see obstacles like trees and so on depicted by the laser.

    このようなシステムでは よく使われているものです

  • But almost all the interesting work is centering on the camera image now.

    左側に出ているのが レーザーによる画像で

  • We're really shifting over from precision sensors like radars and lasers

    樹木などの障害物が 検出されています

  • into very cheap, commoditized sensors.

    でも今では興味深いことのほとんどが カメラ映像を使って行われています

  • A camera costs less than eight dollars.

    レーダーやレーザーといった 精密なセンサーから

  • CA: And that green dot on the left thing, what is that?

    安価で一般的なセンサーを 使うように変わってきています

  • Is that anything meaningful?

    カメラは8ドルもしません

  • ST: This is a look-ahead point for your adaptive cruise control,

    (アンダーソン) 左に出ている緑の点は

  • so it helps us understand how to regulate velocity

    どんな意味があるんですか?

  • based on how far the cars in front of you are.

    (スラン) あれはアダプティブ・ クルーズ・コントロールの基準点で

  • CA: And so, you've also got an example, I think,

    前の車との車間距離に応じて

  • of how the actual learning part takes place.

    スピードを制御するためのものです

  • Maybe we can see that. Talk about this.

    (アンダーソン) 学習の部分が どう行われるかの例も

  • ST: This is an example where we posed a challenge to Udacity students

    お持ちいただいているので

  • to take what we call a self-driving car Nanodegree.

    それを見ながら お話しを伺いましょう

  • We gave them this dataset

    (スラン) これはUdacityの学生に

  • and said "Hey, can you guys figure out how to steer this car?"

    自動運転車の「ナノ学位」を取るための 課題として出したものです

  • And if you look at the images,

    このデータを示して

  • it's, even for humans, quite impossible to get the steering right.

    「この車をどう運転させたものだろう?」 と聞いたんです

  • And we ran a competition and said, "It's a deep learning competition,

    映像を見てもらうと分かりますが

  • AI competition,"

    人間でもちゃんと運転するのが かなり難しいものです

  • and we gave the students 48 hours.

    「さあディープラーニングのコンペだ

  • So if you are a software house like Google or Facebook,

    AI コンペをしようよう」と言って

  • something like this costs you at least six months of work.

    学生に48時間与えたんです

  • So we figured 48 hours is great.

    GoogleやFacebookのような ソフトウェア企業でも

  • And within 48 hours, we got about 100 submissions from students,

    このようなものには 最低半年はかかります

  • and the top four got it perfectly right.

    だから48時間でできたら すごいものです

  • It drives better than I could drive on this imagery,

    48時間で100人の学生が提出し

  • using deep learning.

    特に上位4人のものは完璧でした

  • And again, it's the same methodology.

    この映像に対して 私がやるよりも上手く運転するんです

  • It's this magical thing.

    ディープラーニングを使ってです

  • When you give enough data to a computer now,

    これも同じ手法で

  • and give enough time to comprehend the data,

    魔法のようですが

  • it finds its own rules.

    今やコンピューターは 十分なデータと

  • CA: And so that has led to the development of powerful applications

    それを咀嚼するための 十分な時間があれば

  • in all sorts of areas.

    自分でルールを 見つけ出すんです

  • You were talking to me the other day about cancer.

    (アンダーソン) それによって あらゆる領域で

  • Can I show this video?

    強力なアプリケーションが 開発されるようになったわけですね

  • ST: Yeah, absolutely, please. CA: This is cool.

    先日ガンの話を していただきましたが

  • ST: This is kind of an insight into what's happening

    あのビデオを 出しましょうか?

  • in a completely different domain.

    (スラン) お願いします (アンダーソン) これはすごいですよ

  • This is augmenting, or competing --

    (スラン) これはまったく異なる分野で

  • it's in the eye of the beholder --

    得られた知見です

  • with people who are being paid 400,000 dollars a year,

    これは高度な専門家であり

  • dermatologists,

    年に40万ドル稼ぐ

  • highly trained specialists.

    皮膚科医を

  • It takes more than a decade of training to be a good dermatologist.

    見方によっては 支援するとも

  • What you see here is the machine learning version of it.

    競合するとも 言えるものです

  • It's called a neural network.

    優れた皮膚科医になるには 10年におよぶ修行が必要です

  • "Neural networks" is the technical term for these machine learning algorithms.

    これは機械学習版の 皮膚科医で

  • They've been around since the 1980s.

    ニューラルネットワークを 使っています

  • This one was invented in 1988 by a Facebook Fellow called Yann LeCun,

    「ニューラルネットワーク」というのは こういう機械学習アルゴリズムを指す専門用語で

  • and it propagates data stages

    1980年代頃から 研究されています

  • through what you could think of as the human brain.

    ここに出ているのはFacebookのフェローである ヤン・ルカンが1988年に作ったもので

  • It's not quite the same thing, but it emulates the same thing.

    人の脳のように

  • It goes stage after stage.

    段階的にデータが 伝播するようになっています

  • In the very first stage, it takes the visual input and extracts edges

    脳と同じわけではありませんが 模倣したものです

  • and rods and dots.

    段階的になっています

  • And the next one becomes more complicated edges

    最初の段階で 視覚的な入力から

  • and shapes like little half-moons.

    へりや棒や点を抽出します

  • And eventually, it's able to build really complicated concepts.

    次の段階で もう少し複雑なへりや形

  • Andrew Ng has been able to show

    半月形なんかを 取り出します

  • that it's able to find cat faces and dog faces

    最終的には非常に複雑な概念を 構成することができます

  • in vast amounts of images.

    アンドリュー・エンは

  • What my student team at Stanford has shown is that

    膨大な量の画像から

  • if you train it on 129,000 images of skin conditions,

    猫の顔や犬の顔を見付けられる ようになることを示しました

  • including melanoma and carcinomas,

    スタンフォードの 私の学生のチームは

  • you can do as good a job

    黒色腫や癌腫を含む

  • as the best human dermatologists.

    12万9千の皮膚疾患例で AIをトレーニングすることにより

  • And to convince ourselves that this is the case,

    最高の皮膚科医並の仕事が

  • we captured an independent dataset that we presented to our network

    可能になることを 示しました

  • and to 25 board-certified Stanford-level dermatologists,

    それを検証するため

  • and compared those.

    AIのトレーニングに使ったのとは 別のデータを

  • And in most cases,

    AIと 25人のスタンフォードの 認定皮膚科医に診断させて

  • they were either on par or above the performance classification accuracy

    結果を比較しました

  • of human dermatologists.

    ほとんどのケースで

  • CA: You were telling me an anecdote.

    AIは人間の皮膚科医に 匹敵するか

  • I think about this image right here.

    それ以上の精度で 分類することができました

  • What happened here?

    (アンダーソン) この画像に関する

  • ST: This was last Thursday. That's a moving piece.

    ある逸話を伺いましたが

  • What we've shown before and we published in "Nature" earlier this year

    どんなことが あったんでしょう?

  • was this idea that we show dermatologists images

    (スラン) これは先週の木曜のことで 進展し続けている話なんです

  • and our computer program images,

    今年初めにネイチャー誌で 発表したのは

  • and count how often they're right.

    皮膚科医と コンピュータープログラムに

  • But all these images are past images.

    画像で診断させたら

  • They've all been biopsied to make sure we had the correct classification.

    どんな精度になるか ということでした

  • This one wasn't.

    使った画像はすべて 過去の症例です

  • This one was actually done at Stanford by one of our collaborators.

    生研をして正しい分類の 分かっているものです

  • The story goes that our collaborator,

    これは違いました

  • who is a world-famous dermatologist, one of the three best, apparently,

    協力してくれているスタンフォードの医者が 診断したものです

  • looked at this mole and said, "This is not skin cancer."

    その協力者というのは

  • And then he had a second moment, where he said,

    世界で3本の指に入るような 高名な皮膚科医なんですが

  • "Well, let me just check with the app."

    この写真の痣を見て 「皮膚癌ではないな」と言いました

  • So he took out his iPhone and ran our piece of software,

    でもそれから考え直して

  • our "pocket dermatologist," so to speak,

    「ちょっとアプリでチェックしてみよう」と

  • and the iPhone said: cancer.

    iPhoneを取り出し

  • It said melanoma.

    「ポケット皮膚科医」とも言うべき 私たちのアプリで調べたところ

  • And then he was confused.

    ガンという結果が出ました

  • And he decided, "OK, maybe I trust the iPhone a little bit more than myself,"

    悪性黒色腫だと

  • and he sent it out to the lab to get it biopsied.

    彼は戸惑いましたが

  • And it came up as an aggressive melanoma.

    「まあ自分よりは iPhoneの方が幾分信頼できるしな」と

  • So I think this might be the first time that we actually found,

    生検に回すことにしました

  • in the practice of using deep learning,

    進行性の悪性黒色腫という結果でした

  • an actual person whose melanoma would have gone unclassified,

    ディープラーニングがなかったら

  • had it not been for deep learning.

    見落とされていたであろう

  • CA: I mean, that's incredible.

    悪性黒色腫が見つかったという

  • It feels like there'd be an instant demand for an app like this right now,

    これは最初の事例になると思います

  • that you might freak out a lot of people.

    (アンダーソン) すごいものですね

  • Are you thinking of doing this, making an app that allows self-checking?

    (拍手)

  • ST: So my in-box is flooded about cancer apps,

    そのようなアプリに対しては すぐにも需要がありそうです

  • with heartbreaking stories of people.

    多くの人が殺到するかも

  • I mean, some people have had 10, 15, 20 melanomas removed,

    みんなが自分で診断できるアプリを 作ろうとは思っていますか?

  • and are scared that one might be overlooked, like this one,

    (スラン) 私の受信箱を 溢れさせているのは

  • and also, about, I don't know,

    ガンのアプリについての 胸が痛むような話が書かれたメールです

  • flying cars and speaker inquiries these days, I guess.

    黒色腫を10個とか20個とか 取り除いたけど

  • My take is, we need more testing.

    こういうのが見落とされてや しないかと不安なんです

  • I want to be very careful.

    他にも 空飛ぶ車や

  • It's very easy to give a flashy result and impress a TED audience.

    講演依頼のメールもありますが

  • It's much harder to put something out that's ethical.

    でも もっとテストが 必要だと思っています

  • And if people were to use the app

    すごく慎重に進めたいです

  • and choose not to consult the assistance of a doctor

    見かけ倒しの結果で 聴衆を感心させるのは簡単ですが

  • because we get it wrong,

    倫理的なちゃんとしたものを出すのは 大変なことです

  • I would feel really bad about it.

    人々が私たちのアプリを使って

  • So we're currently doing clinical tests,

    医者にかからず

  • and if these clinical tests commence and our data holds up,

    それで間違いがあったりしたら

  • we might be able at some point to take this kind of technology

    とても申し訳なく思います

  • and take it out of the Stanford clinic

    今 臨床試験をやっていますが

  • and bring it to the entire world,

    それで確証が得られれば

  • places where Stanford doctors never, ever set foot.

    いつか このような技術を

  • CA: And do I hear this right,

    大学病院から外の世界に出して

  • that it seemed like what you were saying,

    スタンフォードの医者が 行けないような場所で

  • because you are working with this army of Udacity students,

    使えるように できるかもしれません

  • that in a way, you're applying a different form of machine learning

    (アンダーソン) 私の理解が正しいなら

  • than might take place in a company,

    あなたはUdacityの学生の

  • which is you're combining machine learning with a form of crowd wisdom.

    集団の力を使い

  • Are you saying that sometimes you think that could actually outperform

    ある意味 企業で行われているのとは 違う形で

  • what a company can do, even a vast company?

    機械学習を集合知と

  • ST: I believe there's now instances that blow my mind,

    組み合わせているように見えます

  • and I'm still trying to understand.

    そのようなやり方は