Placeholder Image

字幕表 動画を再生する

自動翻訳
  • Today, artificial intelligence helps doctors diagnose patients,

    現在、人工知能は医師の診断をサポートしています。

  • pilots fly commercial aircraft, and city planners predict traffic.

    パイロットは民間航空機を操縦し、都市計画者は交通量を予測します。

  • But no matter what these AIs are doing, the computer scientists who designed them

    しかし、これらのAIが何をしていても、それを設計したコンピュータ科学者は

  • likely don't know exactly how they're doing it.

    彼らがどのようにしているのか、正確にはわからないのです。

  • This is because artificial intelligence is often self-taught,

    というのも、人工知能は独学で学ぶことが多いからです。

  • working off a simple set of instructions

    シンプルな指示書をもとに

  • to create a unique array of rules and strategies.

    を使って、独自のルールや戦略を構築しています。

  • So how exactly does a machine learn?

    では、機械はどのようにして学習するのでしょうか。

  • There are many different ways to build self-teaching programs.

    独学のプログラムを作るには、さまざまな方法があります。

  • But they all rely on the three basic types of machine learning:

    しかし、それらはすべて、機械学習の3つの基本的なタイプに依存しています。

  • unsupervised learning, supervised learning, and reinforcement learning.

    教師なし学習、教師あり学習、そして強化学習。

  • To see these in action,

    これらを実際に見てみると

  • let's imagine researchers are trying to pull information

    例えば、研究者が情報を集めようとしているとします。

  • from a set of medical data containing thousands of patient profiles.

    何千人もの患者のプロファイルを含む医療データのセットから

  • First up, unsupervised learning.

    まずは、教師なし学習。

  • This approach would be ideal for analyzing all the profiles

    この方法は、すべてのプロファイルを分析するのに理想的です。

  • to find general similarities and useful patterns.

    を使って、一般的な類似性や有用なパターンを見つけることができます。

  • Maybe certain patients have similar disease presentations,

    もしかしたら、ある患者さんの疾患像が似ているかもしれません。

  • or perhaps a treatment produces specific sets of side effects.

    あるいは、ある治療法が特定の副作用を引き起こすこともあるでしょう。

  • This broad pattern-seeking approach can be used to identify similarities

    このような幅広いパターンを求めるアプローチは、類似性を識別するために使用することができます。

  • between patient profiles and find emerging patterns,

    患者のプロファイル間で、新たなパターンを見つけることができます。

  • all without human guidance.

    人間の手を借りずに

  • But let's imagine doctors are looking for something more specific.

    しかし、医師がより具体的な情報を求めているとしましょう。

  • These physicians want to create an algorithm

    これらの医師は、アルゴリズムを作成したいと考えています。

  • for diagnosing a particular condition.

    特定の症状を診断するための

  • They begin by collecting two sets of data

    彼らはまず、次の2つのデータを収集します。

  • medical images and test results from both healthy patients

    健康な患者の医療画像や検査結果

  • and those diagnosed with the condition.

    と診断された方を対象としています。

  • Then, they input this data into a program

    そして、そのデータをプログラムに入力します。

  • designed to identify features shared by the sick patients

    病気の患者さんに共通する特徴を把握するために

  • but not the healthy patients.

    が、健康な患者さんにはありませんでした。

  • Based on how frequently it sees certain features,

    特定の機能を見る頻度に基づいています。

  • the program will assign values to those features' diagnostic significance,

    このプログラムは、それらの特徴の診断上の重要性に値を割り当てます。

  • generating an algorithm for diagnosing future patients.

    未来の患者を診断するためのアルゴリズムを生成します。

  • However, unlike unsupervised learning,

    ただし、教師なし学習とは異なります。

  • doctors and computer scientists have an active role in what happens next.

    医師やコンピューターサイエンティストは、この先の展開に積極的な役割を担っています。

  • Doctors will make the final diagnosis

    最終的な診断は医師が行う

  • and check the accuracy of the algorithm's prediction.

    と、アルゴリズムの予測精度を確認することができます。

  • Then computer scientists can use the updated datasets

    そして、コンピュータ科学者は、更新されたデータセットを使用することができます。

  • to adjust the program's parameters and improve its accuracy.

    を使って、プログラムのパラメータを調整し、精度を向上させることができます。

  • This hands-on approach is called supervised learning.

    このような実践的なアプローチを「教師付き学習」といいます。

  • Now, let's say these doctors want to design another algorithm

    さて、この医師たちが、別のアルゴリズムを設計したいと考えたとしましょう。

  • to recommend treatment plans.

    を使って、治療計画を提案しています。

  • Since these plans will be implemented in stages,

    これらの計画は段階的に実施されるので

  • and they may change depending on each individual's response to treatments,

    また、治療に対する個人の反応によっても変化することがあります。

  • the doctors decide to use reinforcement learning.

    先生方は、強化学習を使うことにしました。

  • This program uses an iterative approach to gather feedback

    このプログラムでは、フィードバックを集めるために反復的なアプローチを採用しています。

  • about which medications, dosages and treatments are most effective.

    どの薬、どの量、どの治療法が最も効果的であるかについて。

  • Then, it compares that data against each patient's profile

    そして、そのデータを各患者のプロフィールと比較します。

  • to create their unique, optimal treatment plan.

    その人だけの最適な治療計画を立てることができます。

  • As the treatments progress and the program receives more feedback,

    治療が進み、プログラムにフィードバックが増えてくると

  • it can constantly update the plan for each patient.

    患者さんごとの計画を常に更新することができます。

  • None of these three techniques are inherently smarter than any other.

    これらの3つのテクニックは、どれも本質的には他のものより賢くはありません。

  • While some require more or less human intervention,

    人の手が必要なものもあれば、そうでないものもあります。

  • they all have their own strengths and weaknesses

    それぞれに長所と短所があります。

  • which makes them best suited for certain tasks.

    そのため、特定の作業に適しています。

  • However, by using them together,

    しかし、それらを併用することで

  • researchers can build complex AI systems,

    研究者は、複雑なAIシステムを構築することができます。

  • where individual programs can supervise and teach each other.

    個々のプログラムがお互いに監督したり、教えたりすることができます。

  • For example, when our unsupervised learning program

    例えば、私たちの教師なしの学習プログラムが

  • finds groups of patients that are similar,

    は、類似した患者のグループを見つけます。

  • it could send that data to a connected supervised learning program.

    そのデータを、接続された教師付き学習プログラムに送ることができます。

  • That program could then incorporate this information into its predictions.

    そのプログラムは、この情報を予測に組み込むことができます。

  • Or perhaps dozens of reinforcement learning programs

    あるいは、何十もの強化学習プログラムを

  • might simulate potential patient outcomes

    患者の潜在的なアウトカムをシミュレートする

  • to collect feedback about different treatment plans.

    異なった治療計画に対するフィードバックを収集するために

  • There are numerous ways to create these machine-learning systems,

    このような機械学習システムを作るには、様々な方法があります。

  • and perhaps the most promising models

    そして、おそらく最も有望なモデル

  • are those that mimic the relationship between neurons in the brain.

    は、脳内の神経細胞の関係を模したものです。

  • These artificial neural networks can use millions of connections

    この人工ニューラルネットワークは、何百万もの接続を使用することができます。

  • to tackle difficult tasks like image recognition, speech recognition,

    画像認識や音声認識などの難しい課題に取り組むための

  • and even language translation.

    そして、言語翻訳まで。

  • However, the more self-directed these models become,

    しかし、これらのモデルは、自己管理をすればするほど

  • the harder it is for computer scientists

    コンピュータ・サイエンティストにとっては、それが難しいほど

  • to determine how these self-taught algorithms arrive at their solution.

    このような独学のアルゴリズムがどのようにして解答に至るのかを調べるために

  • Researchers are already looking at ways to make machine learning more transparent.

    研究者たちは、機械学習をより透明化する方法をすでに検討しています。

  • But as AI becomes more involved in our everyday lives,

    しかし、AIが私たちの日常生活に関わるようになると

  • these enigmatic decisions have increasingly large impacts

    これらの謎めいた決定は、ますます大きな影響を与えます。

  • on our work, health, and safety.

    私たちの仕事、健康、そして安全について

  • So as machines continue learning to investigate, negotiate and communicate,

    だから、機械は調査、交渉、コミュニケーションの学習を続ける。

  • we must also consider how to teach them to teach each other to operate ethically.

    また、彼らがお互いに倫理的な行動をとるように指導する方法も考えなければなりません。

Today, artificial intelligence helps doctors diagnose patients,

現在、人工知能は医師の診断をサポートしています。

字幕と単語
自動翻訳

動画の操作 ここで「動画」の調整と「字幕」の表示を設定することができます

B1 中級 日本語 TED-Ed 学習 患者 プログラム 教師 診断

人工知能はどのように学習するのか?- ブリアナ・ブラウネル (How does artificial intelligence learn? - Briana Brownell)

  • 4 2
    林宜悉 に公開 2021 年 03 月 11 日
動画の中の単語