So, the one that caught my eye here is Pinterest, which⏤we all know and love Pinterest.

そこで、ここで目に留まったのがPinterestです。どれも、私たちはみんな知っていて、Pinterestを愛しています。

"Determine the topical relatedness between pieces of text", 40 cents.

"文章の断片の間の局所的な関連性を決定する"40セントだ

Wait, there's one more⏤so, this one's "find info from an email" for 3 cents.

待って、もう一つあるわ。これは "メールから情報を探す "ってことね。3セントで

They're just gonna email me, and then I, like, find info from it?

メールをくれて、そこから情報を探せばいいのか？

Which seems cool.

クールな感じがしますね。

It turns out, Amazon runs an online marketplace that farms out basic tasks computer programs have a hard time with.

それは、Amazonは、コンピュータプログラムが苦労している基本的なタスクをファームアウトするオンラインマーケットプレイスを実行していることが判明した。

It's called Mechanical Turk, named after a robot from the 1700's.

1700年代のロボットにちなんで「メカニカルターク」と呼ばれています。

But people just call it MTurk.

でも、みんなMTurkと呼んでいるだけです。

So, what I wanna do now is, Leonard Monteiro will pay me 3 cents to write the prices shown in an image.

そこで私が今やりたいのは、レナード・モンテイロが3セント払って、画像に表示されている値段を書いてくれるということです。

I'm not totally sure why this is, like, worth-doing money, but, okay, let's do it.

なぜこれがお金を使う価値があるのか よくわからないけど、まあいいや、やってみよう。

It looks like a parking meter?

パーキングメーターに見える？

I hope that this is for a good cause somehow, that this is, like, this app is helping people rather than just sending bills to people.

このアプリが、ただ人に請求書を送るだけのアプリではなく、何らかの形で人の役に立っていることを願っています。

So, I feel like on the other end of this task, there's some sort of automated parking meter app, which is weird.

だからこの作業の反対側には自動パーキングメーターアプリのようなものがあるような気がします。

But it turns out, stuff like this happens all the time.

奇妙なことだが、こういうことはよくあることだ。

Nearly every successful AI product has human beings behind it.

成功したAI製品のほぼすべての背後には人間がいる。

You just don't see them until you look at the big picture.

大局的に見ないと気づかないだけ。

So, what's going on here?

で、どうなってるんだ？

Is there actually an app that claims to read parking meter fines, but it's actually humans doing it?

パーキングメーターの罰金を読み取ると謳っているアプリがありますが、実際には人間がやっているのでしょうか？

Or, am I helping train their AI and these meters are just hypothetical examples?

それとも、私は彼らのAIを訓練するのを手伝っているのか、これらのメーターは単なる仮定の例に過ぎないのか？

To figure that out, I asked a resident AI expert James Vincent.

それを把握するために、常駐するAI専門家のジェームズ・ヴィンセント氏に聞いてみた。

So, I did a little Googling here, and, yeah, sorry, Russell, this is not a parking meter at all.

で、ちょっとググってみたんだけど、ごめんね、ラッセル、これはパーキングメーターじゃないんだ。

This is actually a little gadget you put in supermarkets and you scan barcodes to check the prices.

これは実はスーパーに置いてあるちょっとしたガジェットで、バーコードをスキャンして値段を確認します。

Now, the bigger question is: Why does someone want you to write down all these prices?

さて、もっと大きな問題は、なぜ誰かがこのような価格を書き込んで欲しいと思っているのかということです。

And I have two answers for you.

そして、私はあなたに2つの答えを持っています。

In the first case, creating training data.

最初のケースでは、トレーニングデータの作成。

Say you want to make a machine vision system that automatically does what you're doing.

あなたがやっていることを自動的に行うマシンビジョンシステムを作りたいとしましょう。

How does it actually know where to look in the picture?

実際にはどこを見ればいいのか？

How does it know what the⏤what this barcode scanner looks like?

バーコードスキャナがどのように見えているのか、どうやってわかるのでしょうか？

To teach it that information, you need to feed it labeled data.

その情報を教えるためには、ラベル付きのデータを与える必要があります。

You need to get a human to do that labeling, in this case, Russell.

人間にラベル付けをしてもらう必要がある この場合はラッセルだ

He labels the data, it goes into the system, and the system learns what these things look like.

彼はデータにラベルを付けて、それがシステムに入り、システムはこれらのものがどのように見えるかを学習します。

Oh, there's so much more!

いやー、まだまだありますねー。

That is how you train an AI system.

それがAIシステムを鍛える方法です。

But, sometimes, these systems, they don't work, right?

でも、こういうシステムって、たまに動かないことがあるんですよね？

So, you use case number two⏤what's that?

で、ケースナンバー２を使っているわけですが、それは何ですか？

Well, that might be where the AI system actually can't do what it says it can do.

まあ、そこはAIシステムが実際にできると言っていることができないところかもしれません。

It might be that there's too much glare in the picture and it can't read the numbers on the screen very well.

眩しすぎて画面の数字がうまく読めないのかもしれません。

In those cases, you need to throw the data to someone who has the intelligence to work out what's going on.

そういう場合は、そのデータを頭脳明晰な人に丸投げしないとどうにもなりません。

That's not a machine, that's a human, like Russell.

それは機械ではなく、ラッセルのような人間だ。

And they will label the data for the machine and return it back to the end user.

そして、機械のデータにラベルを貼って、エンドユーザーに返してくれます。

Sometimes companies are upfront about this, and sometimes they lie about it, too.

企業がこれを前面に出してくることもあれば、嘘をついてくることもあります。

Sometimes, they will say, "Yes, we've got a whizzy AI system that's doing all this automatically."

時には "そうだ！"と言ってくれることもあります。"そうだ！これを自動でやってくれる、めちゃくちゃなAIシステムがあるんだ "と。

And, actually, they don't.

そして、実際にはそうではありません。

Turns out that that AI is a lot of low-paid workers on a system like Mechanical Turk, like Russell, providing this data in the background.

そのAIはラッセルのようなメカニカルタークのようなシステムで低賃金の労働者が多く、このデータをバックグラウンドで提供していることが判明しました。

If you've ever filled out a CAPTCHA, you've probably done some of that work yourself.

CAPTCHAを記入したことがある人は、おそらく自分でその作業をしたことがあるでしょう。

In theory, those tests are meant to verify that you're human, but Google has started using them to collect data for other products, too.

理論的には、これらのテストはあなたが人間であることを確認するためのものですが、Googleは他の製品のためにもデータを収集するために使用し始めました。

Typing out this blurry word could help the character recognition algorithm in Google Books.

このぼやけた言葉を入力すると、Google Booksの文字認識アルゴリズムに役立つかもしれません。

These skewed numbers are probably helping confirm an address in Google Street View.

これらの歪んだ数字は、おそらくGoogleストリートビューでの住所確認に役立っていると思われます。

The most recent CAPTCHAs ask you to identify all the squares of a picture that have a car in it, at the same time, the Google's Waymo branch is trying to train self-driving cars.

最近のCAPTCHAでは、GoogleのWaymoブランチが自動運転車の訓練をしようとしているのと同時に、車が写っている写真のすべての正方形を識別するように求められています。

Even a simple task like setting a timer with Google Assistant can require an army of contractors manually annotating the data, as a recent "Guardian" investigation showed.

Google アシスタントでタイマーを設定するような単純な作業でも、最近のガーディアンの調査で示されたように、データに手動で注釈を付けるために請負業者の軍隊が必要になることがあります。

Sometimes, users do the labeling themselves.

ユーザーが自分でラベル付けをすることもあります。

Facebook has some of the best facial recognition data in the world because they already have dozens of pictures of your face.

フェイスブックはすでに何十枚もの顔写真を持っているので、世界で最も優れた顔認識データを持っています。

You added them yourself.

自分で追加したんですね。

Multiply that across billions of users, and it's all the data you need to build a facial recognition system, which can then start automatically tagging your friends in the next set of pictures you upload.

これを何十億人ものユーザーに掛け合わせれば、顔認識システムを構築するのに必要なデータはすべて揃い、次にアップロードした写真に友達を自動的にタグ付けすることができます。

Suddenly, Facebook has one of the most advanced facial recognition systems in the world, and they didn't have to pay a dime for it.

突然ですが、Facebookは世界で最も先進的な顔認識システムの一つを持っていて、そのために一銭も払う必要はありませんでした。

When researchers at Google were trying to build a depth-sensing camera, they went even further.

グーグルの研究者たちが深度感知カメラを作ろうとしていたとき、彼らはさらに進んでいった。

What they really needed were a bunch of videos where mobile cameras explored static space from different angles.

彼らが本当に必要としていたのは、モバイルカメラが静止した空間を様々な角度から探索するビデオの束でした。

But where would they find that?

でも、どこで見つけたんだろう？

Google downloaded 2,000 mannequin challenge videos, fed them into an algorithm, and a new kind of depth-sensing software was born.

Googleはマネキンのチャレンジ動画を2000本ダウンロードし、それをアルゴリズムに落とし込み、新しい種類の深さ感知ソフトが誕生しました。

Think about it: Every minute, 500 new hours of content are added to YouTube.

考えてみてください、毎分500時間の新しいコンテンツがYouTubeに追加されています。

If you're training an AI, that's a lot of video to draw on.

AIを鍛えているのなら、それだけの動画を引き合いに出すことができます。

And there are no copyright restrictions on what you can use for training data.

また、トレーニングデータに使用できるものには著作権の制限はありません。

The same goes for websites, images, Wikipedia pages⏤it's all just there for the taking.

ウェブサイトや画像、ウィキペディアのページも同様で、すべてが撮影のためにそこにあるだけです。

This has been a huge driving force for the AI boom.

これがAIブームの大きな原動力となっています。

These systems need lots of examples to recognize even the most basic patterns.

これらのシステムは、最も基本的なパターンを認識するために多くの例を必要とします。

That used to mean months of data entry, but now you can scrape everything you need from the internet in a matter of hours.

これまでは数ヶ月間のデータ入力を意味していましたが、今では数時間のうちにインターネットから必要なものをすべてかき出すことができます。

And the people who made the mannequin challenge videos, they didn't think they were encoding depth information.

マネキンチャレンジの動画を作った人も、まさか深度情報をエンコードしているとは思っていなかったようです。

If the researchers hadn't talked about their training system, it would feel like they'd done it all on their own.

研究者が研修制度の話をしていなかったら、自分たちだけでやったような気になってしまいますよね。

The remarkable thing about AI systems is that even though they are built on a foundation of human intelligence,

AIシステムの驚くべき点は、人間の知性を基盤として構築されているにもかかわらず、定期的にそれを超越して、私たちを驚かせたり、私たちが可能だと思っていたことを超えるようなことをしてくれることです。

they regularly transcend that and do something that surprises us or goes beyond what we thought was possible.

One fantastic example of this is the AlphaGo program, which was designed by DeepMind, which is Google's AI lab here in London.

その素晴らしい例として、ここロンドンのGoogleのAIラボであるDeepMindが設計したAlphaGoプログラムがあります。

And in 2016 and 2017, it played and beat the human champions of the ancient board game, Go.

そして、2016年と2017年には古代ボードゲーム「囲碁」の人間の王者と対戦し、打ち負かしました。

There's one particularly famous moment⏤it's now known simply as move 37.

特に有名な瞬間があります今では単に移動37として知られています。

It was a move that was so unusual, so counter to human expectations, that the match's commentators thought it was a mistake.

人間の予想に反した異常な一手だったので、試合の解説者はそれが間違いだと思っていました。

But it wasn't.

しかし、そうではなかった。

It was a beautiful play that completely undermined Lee's match, and led to AlphaGo winning the game.

リーの試合を完全に貶め、AlphaGoの勝利に導いた美しいプレーだった。

And it was something that humans couldn't teach; it was something that the machine had learned by itself.

そして、それは人間が教えることができないものだった。それは機械が勝手に覚えたものだった。

Yes, it started from a foundation of human intelligence, but it went beyond that.

そう、人間の知性の基礎から始まったのですが、それを超えてしまったのです。

This, I think, is where people get so excited by AI.

これは、AIで人が盛り上がるところだと思います。

We're a long, long way away from building computers that are as flexibly intelligent and, sort of, sophisticated as humans,

人間と同じように柔軟に知的で洗練されたコンピュータを構築するのはまだ先の話ですが、非常に特殊な領域であっても、人間の知能を超えるアルゴリズムやシステムを構築することは可能です。

but we can still build algorithms and systems that exceed human intelligence, even in very specific domains.

But that's AI at its best.

でも、それがAIの醍醐味なんです。

The flip side is when an app needs a description of what's in a photo, and the photo-recognizing algorithm just doesn't work.

逆に、アプリが写真に何が写っているかを説明する必要があり、写真認識アルゴリズムが機能しない場合です。

So you get a human being to fill it in, usually through a post on Mechanical Turk.

だから、あなたはそれを埋めるために人間を取得します、通常はメカニカルタークの投稿を介して。

That's a very old trick, going all the way back to the machine that gave the site its name.

それは非常に古いトリックで、サイトの名前を与えたマシンにまでさかのぼります。

The original Mechanical Turk was this guy, a master chess-playing robot, hundreds of years before there was anything we would think of as a computer.

元々のメカニカルタークはこの人、チェスの達人ロボットだった。何百年も前からコンピュータと考えられるものがありました。

The Turk could beat most chess players, playing so well that people thought it was a technological marvel.

タークはほとんどのチェスプレイヤーを打ち負かすことができ、人々はそれを技術的な驚異だと思っていました。

But, really, it was just a trick.

でも、本当にただのトリックだったんです。

There was a human being inside, hiding under the table and directing the moves from below.

中には人間がいて、テーブルの下に隠れて下から動きを指示していた。

It was a human being dressed up as a machine, a trick no one had thought of until then.

機械に扮した人間だった。それまで誰も思いつかなかったトリック。

And as Amazon can tell you, the trick still works.

そして、Amazonでもわかるように、その仕掛けは今でも有効です。

Thanks for watching; I hope you liked the video.

ご覧いただきありがとうございます。

If you wanna know more about AI, we did a whole video about, sort of, what these changes look like at a social scale, whether AI's destroying jobs or gonna make everything free.

AIについてもっと知りたいなら 社会規模での変化について ビデオで紹介しました AIが雇用を破壊するのか 全てを自由にするのかについてです

So, you can check that out here or like and subscribe.

ここでチェックするか、「いいね！」を押して購読することができます。