0:00:00.880,0:00:04.893
これまではコンピューターに[br]何かさせようと思ったら

0:00:04.893,0:00:06.447
プログラムを書く[br]必要がありました

0:00:06.447,0:00:09.858
プログラミングはやったことが[br]ないかもしれませんが

0:00:09.858,0:00:13.360
やりたいことを[br]実現するために

0:00:13.360,0:00:16.727
コンピューターが[br]行うべきことを

0:00:16.727,0:00:19.089
事細かに指定してやる[br]必要があります

0:00:19.089,0:00:22.585
だから実現したいことの[br]具体的なやり方を知らずに

0:00:22.585,0:00:24.648
プログラムを書くというのは[br]難しい話です

0:00:24.648,0:00:28.131
それがこの写真の人物[br]アーサー・サミュエルが直面した問題でした

0:00:28.131,0:00:32.208
1956年のこと 彼はチェッカーで[br]自分に勝てるプログラムを

0:00:32.208,0:00:34.548
作りたいと思いました

0:00:34.548,0:00:36.588
しかしどうしたら[br]自分より上手く

0:00:36.588,0:00:40.394
チェッカーを指す手順を[br]詳細に記述することができるでしょう？

0:00:40.394,0:00:42.116
彼は良い方法を[br]思いつきました

0:00:42.116,0:00:45.840
コンピュータ自身を相手に[br]何千回も

0:00:45.840,0:00:48.364
チェッカーの対局をさせて[br]自分で学ばせるんです

0:00:48.364,0:00:51.544
これはうまくいきました[br]そのプログラムは実際

0:00:51.544,0:00:55.561
1962年に コネチカット州チャンピオンを[br]破ることができました

0:00:55.561,0:00:58.534
だからアーサー・サミュエルは[br]機械学習の父とも言え

0:00:58.534,0:01:00.251
私自身 彼に[br]多くを負っています

0:01:00.251,0:01:03.014
というのも私は機械学習の応用を[br]生業としているからです

0:01:03.014,0:01:04.479
私が代表を務めていた

0:01:04.479,0:01:07.867
Keggleには20万人以上の[br]機械学習専門家が属しています

0:01:07.867,0:01:09.925
Keggleでは

0:01:09.925,0:01:13.633
かつて解かれたことのない課題を使って[br]競技会を開催していて

0:01:13.633,0:01:17.470
何百回となく[br]成功を収めています

0:01:17.470,0:01:19.940
そのような立場から[br]機械学習には かつて何ができ

0:01:19.940,0:01:23.890
今何ができて[br]将来何ができるようになるか

0:01:23.890,0:01:26.252
多くのことを[br]学ぶことができました

0:01:26.252,0:01:30.675
機械学習が商業的に大きな成功を収めた[br]最初の例は Googleかもしれません

0:01:30.675,0:01:33.784
Googleは[br]機械学習を使った

0:01:33.784,0:01:35.536
アルゴリズムによって

0:01:35.536,0:01:38.437
情報を見つけられることを[br]示しました

0:01:38.437,0:01:42.323
それ以来 機械学習の商業的な成功事例が[br]たくさん生まれています

0:01:42.323,0:01:44.160
AmazonやNetflixのような企業は

0:01:44.160,0:01:47.876
機械学習を使って[br]ユーザーが買いたいであろう商品や

0:01:47.876,0:01:49.896
見たいであろう映画を[br]提示していて

0:01:49.896,0:01:51.703
その精度は[br]時に不気味なくらいです

0:01:51.703,0:01:53.657
LinkedInやFacebookは

0:01:53.657,0:01:56.251
知り合いかもしれない人を示唆し[br]なぜ分かったのか

0:01:56.251,0:01:58.228
当人には[br]見当も付きませんが

0:01:58.228,0:02:01.195
これも機械学習の力を[br]使っているのです

0:02:01.195,0:02:04.152
手順が事細かに[br]プログラミングされているのではなく

0:02:04.152,0:02:07.399
どうすべきかをデータから学習する[br]アルゴリズムが使われています

0:02:07.399,0:02:09.877
IBMのワトソンが[br]ジェパディの世界チャンピオン

0:02:09.877,0:02:13.739
２人を破ったのも[br]そのような方法によってで

0:02:13.739,0:02:16.964
ご覧のような複雑な問いに[br]答えることができました

0:02:16.964,0:02:19.799
[2003年にこの町の国立博物館から古代の[br]“ニムルドの獅子” が (その他多くの品とともに) 消えた]

0:02:19.799,0:02:23.034
自動運転車が実現可能になったのも[br]機械学習のお陰です

0:02:23.034,0:02:25.856
たとえば木と歩行者を[br]見分けるといったことが

0:02:25.856,0:02:28.488
できる必要があります

0:02:28.488,0:02:31.075
そのようなことの具体的な手順が[br]どうすれば書けるのか

0:02:31.075,0:02:34.072
分かりませんが[br]機械学習で可能になったのです

0:02:34.072,0:02:36.680
事実この車は[br]事故を起こすこともなく

0:02:36.680,0:02:40.186
普通の公道を[br]何百万キロも走行しています

0:02:40.196,0:02:44.110
コンピューターは[br]単に学べるだけでなく

0:02:44.110,0:02:46.010
どうしたらできるのか

0:02:46.010,0:02:48.848
分からないようなことも[br]学ぶことができ

0:02:48.848,0:02:51.733
人間よりも上手くなることも[br]あり得るのです

0:02:51.733,0:02:55.928
機械学習で最も目覚ましい[br]事例の１つは

0:02:55.928,0:02:58.320
私がKeggleで主催した[br]プロジェクトで

0:02:58.320,0:03:01.911
ジェフリー・ヒントン率いる

0:03:01.911,0:03:03.463
トロント大のチームが

0:03:03.463,0:03:06.140
薬を発見する競技に[br]優勝した時です

0:03:06.140,0:03:08.987
これがすごいのは[br]医薬大手のメルク社や

0:03:08.987,0:03:13.000
この分野の専門家チームの[br]開発したアルゴリズムを破った彼らのチームに

0:03:13.000,0:03:18.061
化学や生物学やライフサイエンスを[br]ちゃんと学んだ経験のある人が誰もいなかったことで

0:03:18.061,0:03:20.230
しかも たった２週間で[br]やってのけたのです

0:03:20.230,0:03:21.611
どうして可能だったのか？

0:03:22.421,0:03:25.342
ディープ・ラーニングと呼ばれる[br]アルゴリズムを使ったのです

0:03:25.342,0:03:28.291
ことの重大さは 数週間後に[br]ニューヨークタイムズ紙の

0:03:28.291,0:03:31.412
一面で取り上げられたことでも[br]分かると思います

0:03:31.412,0:03:34.147
画面の左に出ているのが[br]ジェフリー・ヒントンです

0:03:34.147,0:03:38.488
ディープ・ラーニングというのは[br]人の脳の仕組みを参考にしたアルゴリズムで

0:03:38.488,0:03:40.300
何が可能かについて

0:03:40.300,0:03:44.141
理論的には限界がありません

0:03:44.141,0:03:46.964
より多くのデータと[br]処理時間を使うほど

0:03:46.964,0:03:48.276
より良い結果が得られます

0:03:48.276,0:03:50.615
ニューヨークタイムズは[br]その記事でもう１つ

0:03:50.615,0:03:52.857
ディープ・ラーニングのすごい事例を[br]取り上げています

0:03:52.857,0:03:55.569
それをこれからお見せしましょう

0:03:55.569,0:04:00.510
コンピューターが人の話を聞いて[br]理解できることを示すものです

0:04:00.510,0:04:03.221
(ビデオ) このプロセスの[br]最後に加えたいステップは

0:04:03.221,0:04:06.246
実際に中国語で

0:04:06.246,0:04:10.961
話させるということです

0:04:10.961,0:04:13.596
ここで鍵になるのは

0:04:13.596,0:04:18.598
中国語話者から得た[br]膨大な情報を使って

0:04:18.598,0:04:21.128
中国語のテキストを[br]音声に変える

0:04:21.128,0:04:25.801
音声合成システムを作り

0:04:25.801,0:04:29.929
１時間ほどの[br]私自身の声のデータを使って

0:04:29.929,0:04:31.820
そのシステムを調整し

0:04:31.820,0:04:36.364
まるで私が話しているかのようにする[br]ということです

0:04:36.364,0:04:38.904
まだ完璧なものではありません

0:04:38.904,0:04:41.552
たくさんミスをします

0:04:41.552,0:04:44.036
(音声合成された中国語訳)

0:04:44.036,0:04:47.403
(拍手)

0:04:49.446,0:04:53.022
この領域で為されるべきことは[br]まだたくさんあります

0:04:53.022,0:04:56.667
(音声合成された中国語訳)

0:04:56.667,0:05:00.100
(拍手)

0:05:01.345,0:05:04.744
これは中国で行われた[br]カンファレンスでのものですが

0:05:04.744,0:05:07.114
学会で拍手が[br]沸き起こるというのは

0:05:07.114,0:05:09.011
あまりないことです

0:05:09.011,0:05:12.687
もっともTEDxは[br]もっと自由な雰囲気がありますが

0:05:12.687,0:05:15.482
ご覧いただいたものはみんな[br]ディープ・ラーニングで実現されました

0:05:15.482,0:05:17.007
(拍手) どうも

0:05:17.007,0:05:19.289
英語の文字起こしも[br]ディープ・ラーニングだし

0:05:19.289,0:05:22.701
右上の中国語に翻訳されたテキストも[br]ディープ・ラーニングによるもので

0:05:22.701,0:05:26.008
音声の合成にも[br]ディープ・ラーニングが使われています

0:05:26.008,0:05:29.242
ディープ・ラーニングは[br]このようにすごいものです

0:05:29.242,0:05:32.341
単一のアルゴリズムで[br]ほとんど何でもできるように見えます

0:05:32.341,0:05:35.452
この１年前にディープ・ラーニングが[br]「見る」こともできると知りました

0:05:35.452,0:05:40.218
ドイツ道路標識認識ベンチマーク[br]という奇妙な競技会で

0:05:40.225,0:05:43.618
このような道路標識をディープ・ラーニングで[br]識別できることが示されました

0:05:43.618,0:05:45.712
他のアルゴリズムよりも

0:05:45.712,0:05:47.470
上手く識別できた[br]というだけでなく

0:05:47.470,0:05:50.189
このスコアボードにある通り[br]２位の人間より

0:05:50.189,0:05:52.041
２倍高い精度で[br]識別できたんです

0:05:52.041,0:05:54.037
2011年には[br]コンピューターが人よりも

0:05:54.037,0:05:57.442
良く見ることができる事例が[br]生まれたわけです

0:05:57.442,0:05:59.491
それ以来いろんなことが[br]起きています

0:05:59.491,0:06:03.005
2012年にGoogleが発表したんですが[br]ディープ・ラーニング・アルゴリズムが

0:06:03.005,0:06:04.420
YouTubeビデオを見て

0:06:04.420,0:06:07.857
１万６千台のコンピュータで[br]１ヶ月 データ処理した結果

0:06:07.857,0:06:12.218
コンピューターが「人」や[br]「猫」といった概念を

0:06:12.218,0:06:14.027
自分で学んだということです

0:06:14.027,0:06:16.379
これは人が学習する方法に[br]近いものです

0:06:16.379,0:06:19.119
人は見たものを[br]教えられて学ぶよりは

0:06:19.119,0:06:22.450
むしろそれが何なのか[br]自分で学んでいくものです

0:06:22.450,0:06:25.819
2012年にはまた[br]先ほど名前の出たジェフリー・ヒントンが

0:06:25.819,0:06:28.677
有名なImageNet競技会で[br]優勝しましたが

0:06:28.677,0:06:32.818
これは150万の画像を[br]何の写真か

0:06:32.818,0:06:34.256
判別するというものです

0:06:34.256,0:06:37.789
2014年の時点で[br]画像認識の誤り率は

0:06:37.789,0:06:39.242
6%までになっています

0:06:39.242,0:06:41.268
これも人間より高い精度です

0:06:41.268,0:06:45.037
機械はこの面で非常に良い仕事を[br]するようになっており

0:06:45.037,0:06:47.306
商業的にも[br]利用されています

0:06:47.306,0:06:50.348
たとえばGoogleは[br]去年フランス国内のすべての番地を

0:06:50.348,0:06:54.933
２時間で地図に登録したと[br]発表しました

0:06:54.933,0:06:58.380
その方法は[br]ストリートビューの画像を

0:06:58.380,0:07:02.699
ディープ・ラーニング・アルゴリズムに食わせて[br]所番地を識別させるというものです

0:07:02.699,0:07:04.919
かつてなら どれほど時間を[br]要したか分かりません

0:07:04.919,0:07:08.274
何十人掛かりで[br]何年もかかったでしょう

0:07:08.274,0:07:10.185
こちらは中国の[br]Baiduによるもので

0:07:10.185,0:07:14.221
中国版のGoogle[br]のようなサービスです

0:07:14.221,0:07:16.504
左上の画像は

0:07:16.504,0:07:20.478
私がBaiduのディープ・ラーニング・システムに[br]アップロードしたものです

0:07:20.478,0:07:24.247
下に並んでいるのは[br]システムがその画像を理解して

0:07:24.247,0:07:26.483
似た画像を集めた結果です

0:07:26.483,0:07:29.219
類似画像は[br]似たような背景や

0:07:29.219,0:07:30.877
似た顔の向きを持ち

0:07:30.877,0:07:32.665
同じく舌を出してる[br]ものまであります

0:07:32.665,0:07:35.695
ウェブページの文章によって[br]見つけたものではありません

0:07:35.695,0:07:37.107
アップしたのは[br]画像だけです

0:07:37.107,0:07:41.128
今やコンピュータは[br]見た物を理解して

0:07:41.128,0:07:42.752
何億という画像の[br]データベースから

0:07:42.752,0:07:46.306
リアルタイムで検索できるまでに[br]なっているのです

0:07:46.306,0:07:49.536
コンピュータに「見る」ことができるというのは[br]どんな意味を持つのか？

0:07:49.536,0:07:51.553
しかしできるのは[br]見ることだけではありません

0:07:51.553,0:07:53.622
ディープ・ラーニングには[br]それ以上のことができます

0:07:53.622,0:07:56.570
このような複雑で[br]ニュアンスに富んだ文章を

0:07:56.570,0:07:59.394
ディープ・ラーニング・アルゴリズムは[br]理解できます

0:07:59.394,0:08:00.697
ご覧いただいているのは

0:08:00.697,0:08:03.465
スタンフォード大のシステムですが[br]一番上の点が赤色になっていて

0:08:03.465,0:08:07.384
文が全体としてネガティブな感情を[br]表していることを示しています

0:08:07.384,0:08:10.790
ディープ・ラーニングは今や[br]文章が何について何を言っているのかを

0:08:10.802,0:08:15.923
人間に近い精度で[br]理解できるようになっているのです

0:08:15.923,0:08:18.651
ディープ・ラーニングは[br]中国語を読むのにも使われ

0:08:18.651,0:08:21.807
中国語のネイティブ話者並の[br]精度があります

0:08:21.807,0:08:23.975
これを開発したのは[br]スイスのチームですが

0:08:23.975,0:08:27.331
その中に中国語の分かる人は[br]いなかったそうです

0:08:27.331,0:08:29.382
ディープ・ラーニングは[br]これに関して

0:08:29.382,0:08:31.601
ネイティブの人間にも劣らない

0:08:31.601,0:08:36.717
最も優れたシステムなのです

0:08:36.717,0:08:39.682
これは私の会社で[br]構築したシステムで

0:08:39.682,0:08:41.727
すべてを組み合わせたものです

0:08:41.727,0:08:44.188
これらの画像には[br]テキストが紐付けされてはおらず

0:08:44.188,0:08:46.541
ユーザーが文をタイプすると

0:08:46.541,0:08:49.510
リアルタイムで画像を理解し

0:08:49.510,0:08:51.189
何の画像かを判別して

0:08:51.189,0:08:54.352
書き込まれた文に近い画像を[br]見つけます

0:08:54.352,0:08:57.108
だから私の書いた文と[br]これらの画像を

0:08:57.108,0:08:59.332
同時に理解しているわけです

0:08:59.332,0:09:01.891
Googleのサイトで[br]似たものを見たことがあるでしょう

0:09:01.891,0:09:04.666
何かタイプすると[br]画像が表示されますが

0:09:04.666,0:09:08.090
そこで実際に行われているのは[br]テキストによるウェブページの検索です

0:09:08.090,0:09:11.091
画像を理解するというのとは[br]ずいぶん違うことです

0:09:11.091,0:09:13.843
このようなことが[br]できるようになったのは

0:09:13.843,0:09:17.091
ほんのここ数ヶ月のことです

0:09:17.091,0:09:21.182
コンピューターには「見る」だけでなく[br]「読む」こともでき

0:09:21.182,0:09:24.947
「聞く」ことによって理解できることも[br]お見せしました

0:09:24.947,0:09:28.389
そうすると「書く」ことだってできると言っても[br]驚かないかもしれません

0:09:28.389,0:09:33.172
これは私が昨日 ディープ・ラーニング・[br]アルゴリズムで生成したテキストです

0:09:33.172,0:09:37.096
こちらはスタンフォード大のアルゴリズムで[br]生成されたテキストです

0:09:37.096,0:09:38.860
それぞれの画像を[br]説明する文が

0:09:38.860,0:09:43.109
ディープ・ラーニング・アルゴリズムによって[br]生成されています

0:09:43.109,0:09:47.581
アルゴリズムは「ギターを弾いている黒いシャツの男」を[br]前に見たことはありません

0:09:47.581,0:09:49.801
「男」を見たことはあり[br]「黒い」ものを見たことはあり

0:09:49.801,0:09:51.400
「ギター」を見たことはありますが

0:09:51.400,0:09:55.694
このキャプションは画像に対して[br]新しく独自に作り出されたものです

0:09:55.694,0:09:59.196
書くことに関してはコンピューターは[br]まだ人間に及びませんが 近づいています

0:09:59.196,0:10:03.264
テストでは４回に１回は[br]コンピューターの生成した文の方が好ましい —

0:10:03.264,0:10:04.791
という結果になっています

0:10:04.791,0:10:06.855
このシステムはできて[br]まだ２週間しかたっていないので

0:10:06.855,0:10:08.701
このまま行くと[br]たぶん来年中には

0:10:08.701,0:10:11.502
コンピューターアルゴリズムの成績が

0:10:11.502,0:10:13.364
人間を上回るのではと思います

0:10:13.364,0:10:16.413
だからコンピューターは[br]書くこともできるのです

0:10:16.413,0:10:19.888
これらをまとめたら[br]非常に興味深い可能性が開けます

0:10:19.888,0:10:21.380
たとえば医療です

0:10:21.380,0:10:23.905
あるボストンのチームは[br]コンピューターによって

0:10:23.905,0:10:26.854
医師が がんの診断を[br]する上で役に立つ

0:10:26.854,0:10:31.120
何十という腫瘍の特徴を発見したと[br]発表しました

0:10:32.220,0:10:34.516
同様にスタンフォードのグループは

0:10:34.516,0:10:38.179
組織の拡大画像を見て

0:10:38.179,0:10:40.560
がん患者の生存率を

0:10:40.560,0:10:43.142
人間の病理医よりも[br]正確に予想する

0:10:43.142,0:10:47.519
機械学習システムを[br]開発しました

0:10:47.519,0:10:50.764
どちらのケースも[br]予測が人間より正確というだけでなく

0:10:50.764,0:10:53.266
新たな科学的洞察を[br]もたらしています

0:10:53.276,0:10:54.781
放射線医学のケースでは

0:10:54.781,0:10:57.876
人間に理解できる[br]新しい臨床的な指標です

0:10:57.876,0:10:59.668
病理学のケースでは

0:10:59.668,0:11:04.168
診断において[br]がん細胞だけでなく

0:11:04.168,0:11:07.508
がんの周囲の細胞も[br]重要であることを

0:11:07.508,0:11:09.260
発見しました

0:11:09.260,0:11:14.621
これは病理医が[br]何十年も教わってきたのとは逆です

0:11:14.621,0:11:17.913
どちらのケースでも[br]システムは

0:11:17.913,0:11:21.534
医学の専門家と機械学習の専門家の[br]組み合わせによって開発されましたが

0:11:21.534,0:11:24.275
去年我々はこの面をも[br]乗り越えました

0:11:24.275,0:11:27.824
これは顕微鏡で見た[br]人の組織から

0:11:27.824,0:11:30.354
がんの領域を[br]識別する例です

0:11:30.354,0:11:34.967
このシステムは[br]人間の病理医と同じか

0:11:34.967,0:11:37.742
それ以上の精度で[br]がん領域を識別できますが

0:11:37.742,0:11:41.134
医療の知識や経験のない[br]チームによって

0:11:41.134,0:11:43.660
ディープ・ラーニングを使って[br]開発されました

0:11:44.730,0:11:47.285
同様に これは[br]ニューロンの区分けです

0:11:47.285,0:11:50.953
今ではニューロンを人間と[br]同じ正確さで区分けできますが

0:11:50.953,0:11:53.670
このシステムは医学を[br]学んだことのない人々が

0:11:53.670,0:11:56.921
ディープ・ラーニングを使って[br]開発しました

0:11:56.921,0:12:00.148
医学を学んだことのない人間が[br]医療の会社を始めるのも

0:12:00.148,0:12:03.875
もはや変なことではないと思え

0:12:03.875,0:12:06.021
実際に会社を作ることにしました

0:12:06.021,0:12:07.761
そうするのは[br]怖くもありましたが

0:12:07.761,0:12:10.650
データ分析技術だけでも[br]有益な医療サービスは

0:12:10.650,0:12:16.142
提供可能であると[br]理論は示しているように見えます

0:12:16.142,0:12:18.622
ありがたいことに[br]大変好意的な反応を受け取っており

0:12:18.622,0:12:20.978
メディアばかりでなく

0:12:20.978,0:12:23.322
医学界の人々も[br]支持してくれています

0:12:23.322,0:12:27.471
私たちは医療の[br]中間部分を受け持って

0:12:27.471,0:12:30.364
そこを可能な限り[br]データ分析で置き換え

0:12:30.364,0:12:33.429
医師には彼らが最も適した部分をやってもらう[br]というのが基本方針です

0:12:33.429,0:12:35.031
例をお見せしたいと思います

0:12:35.031,0:12:39.975
新しい医療診断テストの生成には[br]現在15分ほどかかります

0:12:39.975,0:12:41.929
それをリアルタイムで[br]ご覧に入れますが

0:12:41.929,0:12:45.416
一部をはしょって[br]３分に縮めてやります

0:12:45.416,0:12:48.477
医療診断テストを作って[br]お見せするよりは

0:12:48.477,0:12:51.846
車の画像を診断するテストを[br]お見せしようと思います

0:12:51.846,0:12:54.068
その方が分かりやすいので

0:12:54.068,0:12:57.269
150万の車の画像から[br]始めます

0:12:57.269,0:13:00.475
まず写真を[br]撮った角度によって

0:13:00.475,0:13:02.698
分類したいと思います

0:13:02.698,0:13:06.586
画像にラベルはまったく付いておらず[br]一から始めます

0:13:06.586,0:13:08.451
ディープ・ラーニング・アルゴリズムを使って

0:13:08.451,0:13:12.158
写っている構造領域を[br]自動的に識別することができます

0:13:12.158,0:13:15.778
これの良いところは[br]人とコンピューターで協力して作業できるところです

0:13:15.778,0:13:17.956
ご覧のように

0:13:17.956,0:13:20.631
人が関心のある領域を[br]コンピューターに教え

0:13:20.631,0:13:25.281
コンピューターがそれに基づいて[br]アルゴリズムを改良します

0:13:25.281,0:13:29.577
このディープ・ラーニング・システムは[br]１万６千次元空間になっていて

0:13:29.577,0:13:33.009
その空間の中で[br]軸を回転させて

0:13:33.009,0:13:35.001
新たな構造領域を[br]見つけようとします

0:13:35.001,0:13:36.782
それが成功したら

0:13:36.782,0:13:40.786
人間が関心のある領域を[br]指摘します

0:13:40.786,0:13:43.208
コンピューターがうまく[br]領域を見つけられました

0:13:43.208,0:13:45.770
たとえば角度です

0:13:45.770,0:13:47.376
このプロセスを経ることで

0:13:47.376,0:13:49.716
どのような構造を[br]探しているのか

0:13:49.716,0:13:52.144
徐々に伝えていきます

0:13:52.144,0:13:53.916
これが病気の診断であれば

0:13:53.916,0:13:57.266
病理医が病的状態にある領域を[br]識別するとか

0:13:57.266,0:14:02.292
放射線医が問題のある可能性のある小結節を示す[br]といったことを想像できるでしょう

0:14:02.292,0:14:04.851
時にアルゴリズムには[br]難しいこともあります

0:14:04.851,0:14:06.815
今の場合[br]コンピューターが混乱して

0:14:06.815,0:14:09.365
前部と後部が[br]ごちゃまぜになっています

0:14:09.365,0:14:11.437
そのため少し注意して

0:14:11.437,0:14:14.669
手で前部を後部から[br]選り分けてやらなければなりません

0:14:14.669,0:14:20.175
そうやって[br]こんなグループに関心があるのだと

0:14:20.175,0:14:21.523
コンピューターに[br]伝えるのです

0:14:21.523,0:14:24.200
こうやって続けていき[br]少しはしょりますが

0:14:24.200,0:14:26.446
機械学習アルゴリズムを[br]改善させるために

0:14:26.446,0:14:28.420
数百の事例を使って

0:14:28.420,0:14:30.445
訓練してやります

0:14:30.445,0:14:33.518
画像の一部が[br]薄れていますが

0:14:33.518,0:14:38.226
これはどう理解すれば良いか[br]既に認識されたものです

0:14:38.226,0:14:41.128
それから似たイメージという概念を[br]使ってやることで

0:14:41.128,0:14:43.222
コンピューターが[br]車の前部だけを

0:14:43.222,0:14:47.241
見つけられるように[br]なりました

0:14:47.241,0:14:50.189
そうなったら[br]人間がコンピューターに

0:14:50.189,0:14:52.482
その点で上手くできていることを[br]教えてやります

0:14:53.652,0:14:55.837
もちろんこの期に及んでも

0:14:55.837,0:14:59.511
ある種のグループを分離するのが[br]難しいことがあります

0:14:59.511,0:15:03.395
今の場合 コンピューターに[br]しばらく回転をさせても

0:15:03.399,0:15:06.744
依然として[br]左側と右側の画像が

0:15:06.744,0:15:08.222
混在しています

0:15:08.222,0:15:10.362
コンピューターにもう[br]少しヒントをやり

0:15:10.362,0:15:13.338
右側と左側を可能な限り[br]分離できる射影を

0:15:13.338,0:15:15.945
ディープ・ラーニング・[br]アルゴリズムを使って

0:15:15.945,0:15:18.067
見つけられるようにします

0:15:18.067,0:15:21.009
そのヒントを与えることで —[br]上手くいきました

0:15:21.009,0:15:23.891
右側と左側を[br]見分ける方法を

0:15:23.891,0:15:26.271
どうにか見つけられました

0:15:26.271,0:15:28.709
基本的な考え方を[br]分かっていただけたと思います

0:15:28.709,0:15:36.906
これは人間がコンピューターに[br]置き換えられるという話ではなく —

0:15:36.906,0:15:39.546
人とコンピューターが[br]協力するということです

0:15:39.546,0:15:43.096
やろうとしているのは[br]これまでは５、６人のチームで

0:15:43.096,0:15:45.098
何年もかかっていた[br]ようなことを

0:15:45.098,0:15:47.703
１人で15分ほどで[br]できるようにする

0:15:47.703,0:15:50.208
ということです

0:15:50.208,0:15:54.158
このプロセスには[br]４、５回の反復が必要です

0:15:54.158,0:15:56.017
150万の画像を[br]62%の精度で

0:15:56.017,0:15:58.976
分類できるようになりました

0:15:58.976,0:16:01.448
そうなったら

0:16:01.448,0:16:02.745
大きなセクションを選んで

0:16:02.745,0:16:05.664
誤りがないか[br]素早くチェックできます

0:16:05.664,0:16:09.616
誤りがあった場合は[br]コンピューターに教えてやります

0:16:09.616,0:16:12.661
それぞれのグループについて[br]そういうことを行うことで

0:16:12.661,0:16:15.148
150万の画像を[br]80%の精度で

0:16:15.148,0:16:17.563
分類できるようになりました

0:16:17.563,0:16:19.641
そうしたら

0:16:19.641,0:16:23.220
正しく分類されなかった[br]少数のケースについて

0:16:23.220,0:16:26.108
その理由を考えます

0:16:26.108,0:16:27.851
このアプローチを[br]15分やることで

0:16:27.851,0:16:31.972
97%の精度で[br]分類できるようになりました

0:16:31.972,0:16:36.572
このようなテクニックは[br]世界の重要な問題を解決してくれるでしょう

0:16:36.578,0:16:39.614
世界的な医師不足です

0:16:39.614,0:16:43.103
世界経済フォーラムは[br]発展途上国において

0:16:43.103,0:16:45.727
医師が今の10倍から20倍必要で

0:16:45.727,0:16:47.840
それだけの医師を育てるには

0:16:47.840,0:16:50.734
300年かかると言っています

0:16:50.734,0:16:53.619
ディープ・ラーニングを使って[br]医療の効率を上げることで

0:16:53.619,0:16:56.458
対処するというのは[br]どうでしょう？

0:16:56.458,0:16:58.690
このような機会に[br]私はワクワクしていますが

0:16:58.690,0:17:01.279
同時に懸念している[br]こともあります

0:17:01.279,0:17:04.403
地図で青になっている国は

0:17:04.403,0:17:08.172
雇用の80%以上が[br]サービス業のところです

0:17:08.172,0:17:09.959
サービスとは何か？

0:17:09.959,0:17:11.473
このようなものです

0:17:11.473,0:17:15.627
これらのことは コンピューターが[br]できるようになりつつあることでもあります

0:17:15.627,0:17:19.431
先進国の雇用の80%は[br]コンピューターができるようになったことで

0:17:19.431,0:17:21.963
成り立っているのです

0:17:21.963,0:17:23.403
これは何を[br]意味するのでしょう？

0:17:23.403,0:17:25.986
「他の仕事で置き換えられるから[br]問題ないよ

0:17:25.986,0:17:28.693
たとえば[br]データサイエンティストの仕事とか」

0:17:28.693,0:17:29.510
と思うかもしれませんが

0:17:29.510,0:17:32.628
このようなものをデータサイエンティストが構築するのに[br]そう時間はかかりません

0:17:32.628,0:17:35.880
たとえば今回取り上げた４つのアルゴリズムは[br]１人の人間によって作られたものです

0:17:35.880,0:17:38.318
こういうことは[br]以前にも起き

0:17:38.318,0:17:42.126
新しいものが現れては[br]古い職が新しい職で

0:17:42.126,0:17:44.378
置き換えられてきた[br]と言うなら

0:17:44.378,0:17:46.494
その新しい職は[br]どのようなものになるのでしょう？

0:17:46.494,0:17:48.365
とても難しい問題です

0:17:48.365,0:17:51.104
なぜなら人間の能力は[br]徐々にしか向上しませんが

0:17:51.104,0:17:53.666
ディープ・ラーニング・[br]システムの能力は

0:17:53.666,0:17:56.893
指数関数的に[br]向上しているからです

0:17:56.893,0:17:58.498
私達がいるのは[br]追い抜かれる一歩手前です

0:17:58.498,0:18:00.559
今は周りを見渡して

0:18:00.559,0:18:03.235
「コンピューターはまだ馬鹿だ」[br]と思っていても

0:18:03.235,0:18:06.664
５年もしたら[br]このグラフの天井を突き破ってしまうでしょう

0:18:06.664,0:18:10.529
私たちは今この能力について[br]考える必要があるのです

0:18:10.529,0:18:12.579
前にも似たことは[br]経験しています

0:18:12.579,0:18:13.966
産業革命です

0:18:13.966,0:18:16.817
エンジンの出現による[br]能力の急激な変化がありました

0:18:17.667,0:18:20.805
しかししばらくすると[br]物事はまた落ち着きました

0:18:20.805,0:18:22.507
社会的な変動はありましたが

0:18:22.507,0:18:25.946
あらゆる場面でエンジンが[br]使われるようになると

0:18:25.946,0:18:28.300
状況は安定したのです

0:18:28.300,0:18:29.773
機械学習の革命は

0:18:29.773,0:18:32.682
産業革命とは[br]全然違うものになるでしょう

0:18:32.682,0:18:35.632
機械学習の革命は[br]留まることがないからです

0:18:35.632,0:18:38.614
より優れたコンピューターが[br]知的活動を受け持ち

0:18:38.614,0:18:42.862
それによって 知的活動にさらに優れた[br]コンピューターが作れるようになり

0:18:42.862,0:18:44.770
世界がかつて[br]経験したことのないような

0:18:44.770,0:18:47.248
変化を起こすことに[br]なるでしょう

0:18:47.248,0:18:50.554
何が起こりうるかについての[br]以前の知見は 当てはまらないのです

0:18:50.974,0:18:52.754
この影響は既に現れています

0:18:52.754,0:18:56.384
過去25年で[br]資本生産性は増大しましたが

0:18:56.400,0:19:00.588
労働生産性は平坦で[br]むしろ少し下がっています

0:19:01.408,0:19:04.149
だから この議論を[br]今始めて欲しいのです

0:19:04.149,0:19:07.176
私がこの状況を[br]説明しても

0:19:07.176,0:19:08.666
なかなか真剣に[br]取り合ってもらえません

0:19:08.666,0:19:10.339
「コンピューターには[br]本当に思考することはできない」

0:19:10.339,0:19:13.367
「感情がない」[br]「詩を理解しない」

0:19:13.367,0:19:15.888
「我々は腦の働きを本当に理解してはいない」[br]などなど

0:19:15.888,0:19:17.374
だったら何でしょう？

0:19:17.374,0:19:19.178
人間がお金をもらい[br]時間を費やして

0:19:19.178,0:19:21.897
やっていたことが[br]機械にも可能になっているんです

0:19:21.897,0:19:23.628
この新たな現実を踏まえて

0:19:23.628,0:19:28.015
社会構造や経済構造を[br]どう調整したら良いか

0:19:28.015,0:19:29.855
考え始めるべき時です

0:19:29.855,0:19:31.388
ありがとうございました

0:19:31.388,0:19:32.190
(拍手)