0:00:00.500,0:00:04.820
예전에는 컴퓨터가 새로운[br]일을 하게 만들려면

0:00:04.843,0:00:06.429
프로그램을 짜야 했습니다.

0:00:06.429,0:00:09.842
프로그래밍을 [br]해본 적이 없는 분들은

0:00:09.842,0:00:12.520
목표를 달성하기 위해서

0:00:12.530,0:00:16.727
컴퓨터가 해야 할 일을 매 단계마다

0:00:16.727,0:00:19.089
고통스러울정도로 세세하게[br]설정해야 합니다.[br]

0:00:19.089,0:00:22.585
자, 하는 방법을 모르는 일을[br]여러분이 하고 싶다면

0:00:22.585,0:00:24.648
그건 아주 커다란 도전이 되겠죠.

0:00:24.648,0:00:28.131
이것이 아서 사무엘이 [br]직면한 도전이었습니다.

0:00:28.131,0:00:32.208
1956년 그는 컴퓨터가

0:00:32.208,0:00:34.548
서양장기에서 [br]그를 이기기를 바랬습니다.

0:00:34.548,0:00:36.588
프로그램을 어떻게 짤 수 있을까요?

0:00:36.588,0:00:40.394
서양장기에서 여러분보다 잘하도록[br]극심한 세부사항을 쓸 수 있을까요?

0:00:40.394,0:00:42.116
그는 새로운 생각을 했습니다.

0:00:42.116,0:00:45.840
컴퓨터가 스스로와 수천 번의[br]서양장기를 두게 해서

0:00:45.840,0:00:48.364
서양장기 두는 법을 [br]배우게 했습니다.

0:00:48.364,0:00:51.544
그 방법은 정말 효과가 있었고[br]사실 1962년에

0:00:51.544,0:00:55.561
이 컴퓨터는 코네티컷 주의 [br]우승자를 무찔렀습니다.

0:00:55.561,0:00:58.534
그래서 아서 사무엘은 [br]기계 학습의 아버지였고

0:00:58.534,0:01:00.251
저는 그분께 큰 빚을 지고 있죠.

0:01:00.251,0:01:03.014
왜냐하면 저는 [br]기계 학습 기술자이니까요.

0:01:03.014,0:01:04.479
저는 캐글의 회장인데

0:01:04.479,0:01:07.867
캐글은 20만 명이 넘는 [br]기계 학습 기술자들의 동호회입니다.

0:01:07.867,0:01:09.925
캐글은 이전까지 풀지 못했던 문제를

0:01:09.925,0:01:13.633
해결하기 위한 대회를 주최하는데

0:01:13.633,0:01:17.470
수백번 성공했습니다.

0:01:17.470,0:01:19.940
그래서 이런 유리한 시점에서[br]저는 기계 학습이

0:01:19.940,0:01:23.890
과거와 현재에 할 수 있는 일과[br]미래에 할 수 있는 일을

0:01:23.890,0:01:26.252
많이 알 수 있었습니다.

0:01:26.252,0:01:30.675
아마도 기계 학습이 상업에서 최초로 [br]가장 크게 성공한 것은 구글이었습니다.

0:01:30.675,0:01:33.784
구글은 컴퓨터 알고리즘을 사용해서

0:01:33.784,0:01:35.536
정보를 찾을 수 있음을 보여줬는데

0:01:35.536,0:01:38.437
이 알고리즘은 기계 학습을[br]바탕으로 합니다.

0:01:38.437,0:01:42.323
그때부터 기계 학습의 [br]상업적 성공이 많이 있었습니다.

0:01:42.323,0:01:44.160
아마존과 넷플릭스 같은 회사들은

0:01:44.160,0:01:47.876
기계 학습을 이용해서 [br]여러분이 사고 싶은 상품이나

0:01:47.876,0:01:49.896
보고 싶은 영화를 제안합니다.

0:01:49.896,0:01:51.703
때로는 오싹할 지경이죠.

0:01:51.703,0:01:53.657
링크드인과 페이스북 같은 회사들은

0:01:53.657,0:01:56.251
누가 여러분의 친구인지를 [br]말해줄 겁니다.

0:01:56.251,0:01:58.228
어떻게 그렇게 하는지 [br]여러분은 모릅니다.

0:01:58.228,0:02:01.195
그 이유는 기계 학습의 힘을 [br]이용하기 때문이죠.

0:02:01.195,0:02:05.322
이 알고리즘은 하는 방법을 [br]손으로 쓴 프로그램 보다는

0:02:05.322,0:02:07.399
데이터에서 배웠습니다.

0:02:07.399,0:02:09.877
IBM이 왓슨을 이용해 "제퍼디"에서

0:02:09.877,0:02:13.739
2명의 세계 챔피언을 성공적으로 [br]무찌른 이유이기도 합니다.

0:02:13.739,0:02:16.964
이처럼 아주 미묘하고 [br]복잡한 질문에 대답했죠.

0:02:16.964,0:02:19.799
["고대 '니무르드의 사자'가 2003년 [br]이 도시의 박물관에서 사라졌습니다."

0:02:19.799,0:02:23.034
이 때문에 우리는 이제 최초의 [br]무인 자동차를 볼 수 있습니다.

0:02:23.034,0:02:25.856
나무와 보행자의 차이점,[br]그게 아주 중요한데

0:02:25.856,0:02:28.488
그걸 구별하고 싶을 때

0:02:28.488,0:02:31.075
손으로 프로그램을 [br]어떻게 써야할지 모르지만

0:02:31.075,0:02:34.072
기계 학습으로[br]이제 가능합니다.

0:02:34.072,0:02:36.680
사실 이 자동차는 [br]일반 도로에서 사고 없이

0:02:36.680,0:02:40.086
수백만 km를 달렸습니다.

0:02:40.086,0:02:44.110
이제 우리는 컴퓨터가 배울 수 있고

0:02:44.110,0:02:46.010
우리가 실제로 하는 방법을

0:02:46.010,0:02:48.848
모르는 일도 할 수 있도록 [br]배울 수 있음을 압니다.

0:02:48.848,0:02:51.733
어쩌면 우리보다 잘할 수도 있어요.

0:02:51.733,0:02:55.928
기계 학습에서 가장 놀라운 예가

0:02:55.928,0:02:58.320
제가 캐글에서 하는 [br]프로젝트에서 일어났습니다.

0:02:58.320,0:03:01.911
토론토 대학 출신의 제프리 힌튼이

0:03:01.911,0:03:03.463
이끄는 팀은

0:03:03.463,0:03:06.140
자동 신약 개발을 위한 [br]대회에서 이겼습니다.

0:03:06.140,0:03:08.987
자, 여기서 놀라운 사실은[br]그들이 머크 또는 국제 학회가

0:03:08.987,0:03:13.000
개발한 알고리즘을 이겼을 뿐만 아니라

0:03:13.000,0:03:18.061
어떤 팀원도 화학, 생물학, 생명과학에[br]관한 지식이 없었다는 점입니다.

0:03:18.061,0:03:20.230
그들은 2주안에 완성했죠.

0:03:20.230,0:03:22.001
어떻게 했을까요?

0:03:22.421,0:03:25.342
그들은 심화 학습이라는[br]놀라운 알고리즘을 사용했습니다.

0:03:25.342,0:03:28.291
이것은 사실 아주 중요해서[br]몇 주가 지난 뒤

0:03:28.291,0:03:31.412
뉴욕 타임즈에서 [br]앞면 기사로 다뤘습니다.

0:03:31.412,0:03:34.147
왼쪽이 제프리 힌튼입니다.

0:03:34.147,0:03:38.488
심화 학습은 사람의 뇌가 작용하는 [br]방식에 영감을 받아서 만든

0:03:38.488,0:03:40.300
알고리즘으로 그 결과

0:03:40.300,0:03:44.141
할 수 있는 일에 대한 [br]이론적 한계가 없습니다.

0:03:44.141,0:03:46.794
더 많은 데이터와 [br]더 많은 계산 시간을 줄수록

0:03:46.794,0:03:48.276
더 좋은 결과를 냅니다.

0:03:48.276,0:03:50.615
뉴욕 타임즈는 이 기사에서

0:03:50.615,0:03:52.857
심화 학습의 또다른 [br]놀라운 결과를 보여줬는데

0:03:52.857,0:03:54.829
여러분께 보여드리죠.

0:03:55.569,0:04:00.510
컴퓨터가 듣고 [br]이해할 수 있음을 보여줍니다.

0:04:00.510,0:04:03.221
(영상) 리챠드 라시드:[br]제가 이 과정에서

0:04:03.221,0:04:06.246
마지막으로 보여드릴 단계는

0:04:06.246,0:04:10.961
실제 중국어로 말하는 것입니다.

0:04:10.961,0:04:13.596
중요한 점은

0:04:13.596,0:04:18.598
많은 중국인들로부터 [br]엄청난 양의 정보를 모을 수 있었고

0:04:18.598,0:04:21.128
글자를 음성으로 바꾸는 시스템을 만들어

0:04:21.128,0:04:25.801
중국 글자를 중국 말로 변환시키고

0:04:25.801,0:04:29.929
제 목소리를 한 시간 정도 녹음해서

0:04:29.929,0:04:31.820
표준 문자 - 음성 변환 시스템을[br]조절해서

0:04:31.820,0:04:36.364
제 목소리처럼 나도록 만들었습니다.

0:04:36.364,0:04:38.904
역시 결과는 완벽하지 않습니다.

0:04:38.904,0:04:41.552
사실 오류가 상당히 있었습니다.

0:04:41.552,0:04:44.036
(중국어)

0:04:44.036,0:04:47.493
(박수)

0:04:49.446,0:04:53.022
아직 많은 작업이 필요합니다.

0:04:53.022,0:04:56.667
(중국어)

0:04:56.667,0:05:00.100
(박수)

0:05:01.345,0:05:04.744
제레미 하워드 : 중국에서 열린 [br]기계 학습 회의였습니다.

0:05:04.744,0:05:07.114
학술 회의에서 실제로

0:05:07.114,0:05:09.011
즉흥적인 박수를 듣기는 쉽지 않죠.

0:05:09.011,0:05:12.687
그래도 TEDx 회의에서는[br]자유롭게 하세요.

0:05:12.687,0:05:15.482
거기서 본 모든 것이[br]심화 학습으로 일어났습니다.

0:05:15.482,0:05:17.007
(박수) 감사합니다.

0:05:17.007,0:05:19.289
영어로 옮겨쓰기는 심화 학습이었죠.

0:05:19.289,0:05:22.701
중국어 번역과 오른쪽 위의 글자도[br]심화 학습이었고

0:05:22.701,0:05:26.008
목소리로 재생하는 것 역시[br]심화 학습이었습니다.

0:05:26.008,0:05:29.242
그래서 심화 학습은 놀라운 것입니다.

0:05:29.242,0:05:32.341
하나의 알고리즘인데[br]거의 모든 일을 할 수 있어 보입니다.

0:05:32.341,0:05:35.452
제가 1년 전에 발견했는데[br]보는 법도 배웠습니다.

0:05:35.452,0:05:37.628
독일의 애매한 대회인

0:05:37.628,0:05:40.225
독일 교통 신호 인식 성능평가에서

0:05:40.225,0:05:43.618
심화 학습은 이런 교통 신호를[br]인식하는 법을 배웠습니다.

0:05:43.618,0:05:45.712
교통 신호를 인식할 뿐만 아니라

0:05:45.712,0:05:47.470
어떤 알고리즘보다 낫고

0:05:47.470,0:05:50.079
성적이 사람보다 2배 정도

0:05:50.079,0:05:52.041
나은 결과를 보였습니다.

0:05:52.041,0:05:54.037
2011년 우리는 사람보다

0:05:54.037,0:05:57.442
잘 볼 수 있는 컴퓨터의[br]첫번째 예를 가졌습니다.

0:05:57.442,0:05:59.491
그후로 많은 일이 일어났죠.

0:05:59.491,0:06:03.005
2012년 구글은 심화 학습 알고리즘을[br]만들었다고 발표했습니다.

0:06:03.005,0:06:04.420
유튜브 동영상을 보고

0:06:04.420,0:06:07.857
한 달에 1만6천 대의 [br]컴퓨터 데이터를 처리해서

0:06:07.857,0:06:12.218
컴퓨터는 그냥 동영상을 보는 것만으로[br]사람과 고양이 같은 개념을

0:06:12.218,0:06:14.027
스스로 학습했습니다.

0:06:14.027,0:06:16.379
사람이 배우는 방법과 비슷하죠.

0:06:16.379,0:06:19.119
사람들은 보는 것을 [br]알려줘서 배우는 게 아니라

0:06:19.119,0:06:22.450
그것이 뭔지 스스로 배웁니다.

0:06:22.450,0:06:25.819
또한 2012년 우리가 앞서 봤던 [br]제프리 힌튼은

0:06:25.819,0:06:28.677
아주 유명한 이미지넷 대회에서 [br]우승했는데

0:06:28.677,0:06:32.818
1백만 5천장의 사진을 보고[br]그게 어떤 사진인지

0:06:32.818,0:06:34.256
맞추는 내용이죠.

0:06:34.256,0:06:37.789
2014년 이제 영상 인식에서[br]6%의 오차율까지

0:06:37.789,0:06:39.242
내려갔습니다.

0:06:39.242,0:06:41.268
이것도 사람보다 낫습니다.

0:06:41.268,0:06:45.037
기계는 정말 놀라울만큼[br]일을 잘하고 있고

0:06:45.037,0:06:47.306
이제 산업에서 사용됩니다.

0:06:47.306,0:06:50.348
예를 들어, 구글은 작년에

0:06:50.348,0:06:54.933
프랑스의 구석구석을 2시간 안에 [br]지도로 만들었다고 발표했는데

0:06:54.933,0:06:58.380
그들이 한 방법은[br]길거리에서 찍은 사진을

0:06:58.380,0:07:02.699
심화 학습 알고리즘에 입력해서[br]주소를 인식하고 읽게 했습니다.

0:07:02.699,0:07:04.919
이전에는 얼마나 오래 걸렸을지[br]생각해보세요.

0:07:04.919,0:07:08.274
수십명의 사람들이 몇 년동안 했겠죠.

0:07:08.274,0:07:10.185
이것은 중국에서도 일어나고 있습니다.

0:07:10.185,0:07:14.221
바이두는 중국판 구글이라고 [br]제가 추측하는데

0:07:14.221,0:07:16.504
왼쪽 위에서 보는 것은

0:07:16.504,0:07:20.478
바이두의 심화 학습 시스템에[br]제가 올린 사진의 예이고

0:07:20.478,0:07:24.247
그 아래에 그 사진이 뭔지를 [br]시스템이 이해하고

0:07:24.247,0:07:26.483
비슷한 사진들을 찾아놓은 것을[br]볼 수 있죠.

0:07:26.483,0:07:29.219
비슷한 사진들은 실제로[br]비슷한 배경과

0:07:29.219,0:07:30.877
비슷한 얼굴 방향을 갖고 있고

0:07:30.877,0:07:32.665
혀를 내민 모습도 비슷하죠.

0:07:32.665,0:07:35.695
이것은 웹페이지의 글자를[br]찾은 게 아닙니다.

0:07:35.695,0:07:37.107
제가 올린 것은 사진이었죠.

0:07:37.107,0:07:41.128
이제 컴퓨터가 본 것을 정말 이해해서

0:07:41.128,0:07:42.752
수천만 장의 사진이 든

0:07:42.752,0:07:46.306
데이터베이스를 실시간으로[br]찾을 수 있습니다.

0:07:46.306,0:07:49.536
컴퓨터가 볼 수 있다는 게[br]무슨 의미일까요?

0:07:49.536,0:07:51.553
컴퓨터가 볼 수 있다는 것만이 아니라

0:07:51.553,0:07:53.622
사실 심화 학습은[br]더 많은 일을 했습니다.

0:07:53.622,0:07:56.570
이렇게 복잡하고 미묘한 문장은

0:07:56.570,0:07:59.394
이제 심화 학습 알고리즘으로[br]이해할 수 있습니다.

0:07:59.394,0:08:00.697
여기서 보듯이

0:08:00.697,0:08:03.465
위에 있는 빨간점을 보여주는[br]스탠포드에 있는 시스템은

0:08:03.465,0:08:07.384
이 문장이 부정적인 느낌을[br]표현하는 것을 알아냈습니다.

0:08:07.384,0:08:10.790
심화 학습은 이제 사실 [br]사람에 가깝게

0:08:10.802,0:08:15.923
문장을 이해하고 [br]그게 어떤 말을 하는지 압니다.

0:08:15.923,0:08:18.651
심화 학습은 또한[br]중국어를 읽는데 사용되었고

0:08:18.651,0:08:21.807
중국어 원어민 수준입니다.

0:08:21.807,0:08:23.648
이 알고리즘은 스위스에서 개발되었는데

0:08:23.659,0:08:27.331
개발자 중 중국어를 할 수 있는 사람이 [br]아무도 없었습니다.

0:08:27.331,0:08:29.382
심화 학습을 사용하는 것은

0:08:29.382,0:08:31.601
사람의 이해에 비해서도

0:08:31.601,0:08:36.718
세계 최고의 시스템에 관한 것입니다.

0:08:36.718,0:08:39.682
이것은 우리가 회사에서

0:08:39.682,0:08:41.728
모든 것을 다 통합해서 [br]만든 시스템입니다.

0:08:41.728,0:08:44.189
이것들은 글자가 없는 사진들로서

0:08:44.189,0:08:46.541
제가 문장을 입력하면

0:08:46.541,0:08:49.510
실시간으로 그 사진들을 이해해서

0:08:49.510,0:08:51.189
그게 어떤 사진인지 알고

0:08:51.189,0:08:54.352
제가 쓰는 글에 대해[br]비슷한 사진을 찾아줍니다.

0:08:54.352,0:08:57.108
보다시피 제가 쓴 글을 이해하고

0:08:57.108,0:08:59.332
이 사진들을 실제로 이해합니다.

0:08:59.332,0:09:01.891
여러분은 구글에서 [br]이와 비슷한 것을 봤을 텐데

0:09:01.891,0:09:04.666
여러분이 글자를 입력하면[br]사진을 보여줍니다.

0:09:04.666,0:09:08.090
하지만 실제로는 그 글자가 있는[br]웹페이지를 찾는 거죠.

0:09:08.090,0:09:11.091
이것은 사진을 실제로 이해하는 것과[br]아주 다릅니다.

0:09:11.091,0:09:13.843
이것은 컴퓨터가 지난 몇 달동안

0:09:13.843,0:09:17.091
처음으로 할 수 있었던 일입니다.

0:09:17.091,0:09:21.182
이제 컴퓨터는 볼 수 있을 뿐만 아니라[br]읽을 수도 있고

0:09:21.182,0:09:24.947
물론 들은 것도 이해할 수 있음을[br]봤습니다.

0:09:24.947,0:09:28.389
컴퓨터가 쓸 줄 안다고 얘기해도[br]이제는 놀라지 않으실 거에요.

0:09:28.389,0:09:33.172
이것은 심화 학습 알고리즘을 사용해서[br]어제 제가 만든 글입니다.

0:09:33.172,0:09:37.096
이것은 스탠포드에서 만든[br]알고리즘으로 만든 글입니다.

0:09:37.096,0:09:38.860
이 글은 각각의 사진을

0:09:38.860,0:09:43.109
설명하기 위해 [br]심화 학습 알고리즘이 만들었습니다.

0:09:43.109,0:09:47.581
이 알고리즘은 검은색 셔츠를 입고 [br]기타를 치는 남자를 본 적이 없습니다.

0:09:47.581,0:09:49.801
남자를 본 적이 있고[br]검은 색을 본 적이 있고

0:09:49.801,0:09:51.400
기타를 본 적은 있어요.

0:09:51.400,0:09:55.694
그런데 스스로 이 사진을 [br]훌륭하게 설명했습니다.

0:09:55.694,0:09:59.196
아직도 사람보다는 못하지만[br]꽤 가까이 왔습니다.

0:09:59.196,0:10:03.264
실험에서 사람들은 [br]컴퓨터가 만들어낸 캡션을

0:10:03.264,0:10:04.791
4회당 1회 꼴로 좋아했습니다.

0:10:04.791,0:10:06.855
이 시스템은 이제 2주가 되었는데

0:10:06.855,0:10:08.701
아마도 내년 안으로

0:10:08.701,0:10:11.502
지금 진행되는 속도로 봐서[br]컴퓨터 알고리즘이

0:10:11.502,0:10:13.364
사람을 앞지를 것입니다.

0:10:13.364,0:10:16.413
컴퓨터는 쓸 수도 있습니다.

0:10:16.413,0:10:19.888
그래서 이 모든 기능을 합하면[br]아주 흥미로운 기회가 생기겠죠.

0:10:19.888,0:10:21.380
예를 들어 의학에서

0:10:21.380,0:10:23.905
보스턴의 팀은 종양에서

0:10:23.905,0:10:26.854
임상적으로 관련된 수십가지의 특징을[br]새롭게 발견했는데

0:10:26.854,0:10:31.120
이것으로 의사들이 암을 예측하는데[br]도움을 줄 수 있습니다.

0:10:32.220,0:10:34.516
스탠포드에서도 비슷하게

0:10:34.516,0:10:38.179
한 그룹이 조직을 확대경으로 보는

0:10:38.179,0:10:40.560
기계 학습을 기반으로 한[br]시스템을 개발했는데

0:10:40.560,0:10:43.142
사실 암 환자의 생존율을 예측하는데

0:10:43.142,0:10:47.519
병리학자보다 낫다고 합니다.

0:10:47.519,0:10:50.764
두 경우 모두 [br]예측이 더 정확할 뿐만 아니라

0:10:50.764,0:10:53.266
통찰력있는 과학을 [br]새로 만들어냈습니다.

0:10:53.276,0:10:54.781
방사선학의 경우

0:10:54.781,0:10:57.876
사람이 이해할 수 있는[br]새로운 임상 징후가 있었습니다.

0:10:57.876,0:10:59.668
병리학의 경우

0:10:59.668,0:11:04.168
컴퓨터 시스템은 진단을 하는데

0:11:04.168,0:11:07.508
실제로 암주변의 세포가 [br]암 세포 만큼이나

0:11:07.508,0:11:09.260
중요하다는 사실을 발견했습니다.

0:11:09.260,0:11:14.621
이는 병리학자가 수십년동안[br]가르친 사실과 반대됩니다.

0:11:14.621,0:11:17.913
각각의 경우에서 시스템은

0:11:17.913,0:11:21.534
의학 전문과와 기계 학습 전문가가[br]함께 개발했지만

0:11:21.534,0:11:24.275
작년에 그걸 뛰어넘었습니다.

0:11:24.275,0:11:27.824
이것은 현미경으로 사람의 조직에서

0:11:27.824,0:11:30.354
암 조직을 밝히는 예입니다.

0:11:30.354,0:11:34.967
여기서 보는 시스템은 암 조직을 [br]더 정확히 판별할 수 있고

0:11:34.967,0:11:37.742
병리학자만큼이나 정확하게[br]판별할 수 있지만

0:11:37.742,0:11:41.134
의학 전문가를 쓰지 않고 그 분야에[br]지식이 전혀 없는 사람들이

0:11:41.134,0:11:43.660
심화 학습 만으로 만들었습니다.

0:11:44.730,0:11:47.285
마찬가지로 여기 신경 분할인데

0:11:47.285,0:11:50.953
사람만큼이나 정확하게[br]신경을 분할할 수 있지만

0:11:50.953,0:11:53.670
이 시스템은 의학에 [br]배경지식이 없는 사람들이

0:11:53.670,0:11:56.921
심화 학습을 이용해서 만들었습니다.

0:11:56.921,0:12:00.148
그래서 저처럼 의학에 [br]배경지식이 없는 사람이

0:12:00.148,0:12:03.875
새로운 의료 회사를 시작하는데[br]아주 적합한 사람처럼 보여서

0:12:03.875,0:12:06.021
실제로 그렇게 했죠.

0:12:06.021,0:12:07.761
공포를 느꼈지만

0:12:07.761,0:12:10.650
이론은 이런 [br]데이터 분석기법을 이용해서

0:12:10.650,0:12:16.142
아주 유용한 의학이 가능함을 [br]제시해주고 있었죠.

0:12:16.142,0:12:18.622
그리고 감사하게도[br]평가는 좋았습니다.

0:12:18.622,0:12:20.978
미디어 뿐만 아니라 의학계에서도

0:12:20.978,0:12:23.322
아주 긍정적이었습니다.

0:12:23.322,0:12:27.471
그 이론은 의료 과정의 중간 부분을[br]우리가 가져와서

0:12:27.471,0:12:30.364
최대한 데이터 분석을 한 뒤

0:12:30.364,0:12:33.429
의사들에게 그들이 잘하는 일을[br]맡기는 거죠.

0:12:33.429,0:12:35.031
예를 보여드리겠습니다.

0:12:35.031,0:12:39.975
새로운 의료 진단 실험을 하는데[br]15분쯤 걸리는데

0:12:39.975,0:12:41.929
이제 실시간으로 보여드리죠.

0:12:41.929,0:12:45.416
몇 단계를 생략해서 [br]3분으로 줄였습니다.

0:12:45.416,0:12:48.477
의료 진단 실험을 [br]하는 것을 보여주는 대신

0:12:48.477,0:12:51.846
자동차 사진의 진단 실험을[br]보여드리겠습니다.

0:12:51.846,0:12:54.068
왜냐하면 우리 모두 [br]이해할 수 있는 거니까요.

0:12:54.068,0:12:57.269
여기서 150만 개의 [br]자동차 사진으로 시작하죠.

0:12:57.269,0:13:00.475
사진을 찍은 각도로

0:13:00.475,0:13:02.698
분류하는 뭔가를 만들고 싶어요.

0:13:02.698,0:13:06.586
이 사진들은 모두 제목도 없어서[br]처음부터 시작해야 됩니다.

0:13:06.586,0:13:08.451
심화 학습 알고리즘으로

0:13:08.451,0:13:12.158
이 사진들의 구조를 [br]자동으로 구별할 수 있습니다.

0:13:12.158,0:13:15.778
좋은 점은 사람과 컴퓨터가 [br]함께 일할 수 있다는 거죠.

0:13:15.778,0:13:17.956
사람은 여기서 보다시피

0:13:17.956,0:13:20.631
컴퓨터한테 관심분야를 말하고

0:13:20.631,0:13:25.281
컴퓨터가 알고리즘을 개선하죠.

0:13:25.281,0:13:29.577
자, 이 심화 학습 시스템은 실제로[br]1만6천 차원의 공간을 가집니다.

0:13:29.577,0:13:33.009
컴퓨터가 이것을 그 공간사이로[br]회전하는 것을 볼 수 있습니다.

0:13:33.009,0:13:35.001
새로운 구조를 발견하려는 거죠.

0:13:35.001,0:13:36.782
컴퓨터가 성공적으로 끝내면

0:13:36.782,0:13:40.786
그걸 작동하는 사람은[br]관심있는 분야를 가리킵니다.

0:13:40.786,0:13:43.208
여기서 컴퓨터는 그 분야를 [br]성공적으로 찾아냈는데

0:13:43.208,0:13:45.770
이 경우는 각도이죠.

0:13:45.770,0:13:47.376
우리가 이 과정을 거쳐가면서

0:13:47.376,0:13:49.716
컴퓨터한테 우리가 찾고 있는[br]구조에 대해서

0:13:49.716,0:13:52.144
단계적으로 더 많이 말해줍니다.

0:13:52.144,0:13:53.916
진단 실험에서

0:13:53.916,0:13:57.266
병리학자가 병적 상태인 곳을[br]밝혀내거나

0:13:57.266,0:14:02.292
방사선의가 문제가 있을 수 있는 혹을[br]가르키는 것을 상상할 수 있습니다.

0:14:02.292,0:14:04.851
알고리즘에서 어려운 부분도 있습니다.

0:14:04.851,0:14:06.815
이 경우 약간 헷갈렸어요.

0:14:06.815,0:14:09.365
자동차의 앞과 뒤가 모두 섞여버렸죠.

0:14:09.365,0:14:11.437
그래서 여기서 좀더 주의해서

0:14:11.437,0:14:14.669
뒤가 아니라 앞을 수동으로 선택해서

0:14:14.669,0:14:20.175
컴퓨터에게 우리가 관심있는 [br]부분이 이 부분이라고

0:14:20.175,0:14:21.523
얘기를 해야합니다.

0:14:21.523,0:14:24.200
그래서 한동안 그 작업을 하고[br]좀 더 건너뛰면

0:14:24.200,0:14:26.446
이런 수백 가지 일을 바탕으로

0:14:26.446,0:14:28.420
기계 학습 알고리즘을 훈련시켜

0:14:28.420,0:14:30.445
앞으로 더 나아지기를 바랍니다.

0:14:30.445,0:14:33.518
보다시피 시스템은 사진들 일부를[br]사라지게 만들면서

0:14:33.518,0:14:38.226
이 사진들을 이해하는 법을 [br]이미 인식하고 있음을 보여줍니다.

0:14:38.226,0:14:41.128
우리는 비슷한 사진의 개념을 이용해서

0:14:41.128,0:14:43.222
이제 여러분이 보는 것과 같이

0:14:43.222,0:14:47.241
이 시점에서 컴퓨터는 자동차의 앞만[br]찾을 수 있습니다.

0:14:47.241,0:14:50.189
이 시점에서 사람은 컴퓨터에게

0:14:50.189,0:14:52.482
좋아, 잘 했어. 라고 말할 수 있죠.

0:14:53.652,0:14:55.837
물론 어떤 경우는 이 시점에도

0:14:55.837,0:14:59.511
그룹으로 나누기가 어렵습니다.

0:14:59.511,0:15:03.395
이 경우 컴퓨터가 한동안[br]이것을 회전하게 내버려둬도

0:15:03.399,0:15:06.744
왼쪽과 오른쪽이 뒤섞인 것을

0:15:06.744,0:15:08.222
볼 수 있습니다.

0:15:08.222,0:15:10.362
그래서 컴퓨터한테 다시[br]힌트를 줘서

0:15:10.362,0:15:13.338
심화 학습 알고리즘을 이용해서

0:15:13.338,0:15:15.945
왼쪽과 오른쪽을 가능한 분리시키는

0:15:15.945,0:15:18.067
투사도를 찾아라고 합니다.

0:15:18.067,0:15:21.009
그 힌트를 주면 성공입니다.

0:15:21.009,0:15:23.891
이들 물체들을 분리해내는

0:15:23.891,0:15:26.271
방법을 스스로 찾은 거죠.

0:15:26.271,0:15:28.709
여기서 생각을 얻을 수 있죠.

0:15:28.709,0:15:36.906
사람이 컴퓨터로 대체되는 경우가 아니라

0:15:36.906,0:15:39.546
함께 일합니다.

0:15:39.546,0:15:43.096
우리가 여기서 하는 일은

0:15:43.096,0:15:45.098
5-6명의 팀이 7년쯤 걸리는 일을

0:15:45.098,0:15:47.703
한 사람이 15분 걸려서

0:15:47.703,0:15:50.208
하는 일로 대체합니다.

0:15:50.208,0:15:54.158
이 과정은 4 - 5 번 반복합니다.

0:15:54.158,0:15:56.017
보다시피 150만 장의 사진의

0:15:56.017,0:15:58.976
62%가 제대로 [br]분류된 것을 볼 수 있죠.

0:15:58.976,0:16:01.448
이 시점에서 우리는

0:16:01.448,0:16:02.745
전체를 빠르게 잡아서

0:16:02.745,0:16:05.664
실수가 없는지 확인합니다.

0:16:05.664,0:16:09.616
실수가 있으면 컴퓨터에게 알리죠.

0:16:09.616,0:16:12.661
각각의 다른 그룹에서 이런 과정을 통해

0:16:12.661,0:16:15.148
150만 장의 사진을 분류하는데

0:16:15.148,0:16:17.563
80%의 성공율을 보입니다.

0:16:17.563,0:16:19.641
이 시점에서는

0:16:19.641,0:16:23.220
바르게 분류되지 않은 적은 숫자를 찾아

0:16:23.220,0:16:26.108
이유를 알아내는 과정입니다.

0:16:26.108,0:16:27.851
그런 방식으로

0:16:27.851,0:16:31.972
15분 안에 우리는 97%의[br]분류율을 얻습니다.

0:16:31.972,0:16:36.572
이런 기술은 우리가 중요한 문제를 [br]고칠 수 있게 하는데

0:16:36.578,0:16:39.614
그것은 세계에서 의료 전문가가[br]부족하다는 사실입니다.

0:16:39.614,0:16:43.103
세계 경제 포럼은 개발도상국에서

0:16:43.103,0:16:45.727
10배에서 20배의 의사가 [br]부족하다고 말했는데

0:16:45.727,0:16:47.840
그 문제를 고치기 위해

0:16:47.840,0:16:50.734
충분한 인원을 교육시키려면[br]300년이 걸립니다.

0:16:50.734,0:16:53.619
이런 심화 학습 방식을 사용해서

0:16:53.619,0:16:56.458
그들의 효율을 높일 수 있다고 [br]상상해보세요.

0:16:56.458,0:16:58.690
저는 그런 기회에 대해[br]아주 흥분했습니다.

0:16:58.690,0:17:01.279
저는 그 문제도 걱정합니다.

0:17:01.279,0:17:04.403
여기서 문제는 이 지도에서 [br]파란색으로 표시된 곳은

0:17:04.403,0:17:08.172
서비스가 고용의 [br]80% 이상을 차지합니다.

0:17:08.172,0:17:09.959
무슨 서비스일까요?

0:17:09.959,0:17:11.473
이런 서비스입니다.

0:17:11.473,0:17:15.627
이것들은 컴퓨터가 [br]방금 배운 것과 똑같습니다.

0:17:15.627,0:17:19.431
개발된 세상에서 고용의 80%가

0:17:19.431,0:17:21.963
컴퓨터가 방금 배운 것입니다.

0:17:21.963,0:17:23.403
그게 뭘 뜻합니까?

0:17:23.403,0:17:25.986
글쎄, 괜찮을거에요.[br]다른 일자리로 대체되겠죠.

0:17:25.986,0:17:28.693
예를 들면, 데이터 과학자한테[br]더 많은 일이 있을 겁니다.

0:17:28.693,0:17:29.510
그렇지 않아요.

0:17:29.510,0:17:32.628
데이터 과학자가 이런 것을 만드는데[br]오래 걸리지 않습니다.

0:17:32.628,0:17:35.880
예를 들어, 4가지 알고리즘이 모두[br]한 사람이 만들었죠.

0:17:35.880,0:17:38.318
여러분이 이전에도 이런 일이[br]벌어졌다고 생각한다면

0:17:38.318,0:17:42.126
과거에 새로운 것이 나타났을 때[br]그 결과를 본 적이 있죠.

0:17:42.126,0:17:44.378
새로운 일자리로 대체되었고

0:17:44.378,0:17:46.494
새로운 일자리는 어떤 것일까요?

0:17:46.494,0:17:48.365
이것을 예측하기가 정말 어렵습니다.

0:17:48.365,0:17:51.104
왜냐하면 사람의 성과는[br]이렇게 점진적인데

0:17:51.104,0:17:53.666
심화 학습 시스템은

0:17:53.666,0:17:56.893
능력이 기하급수적으로[br]증가하는 것을 압니다.

0:17:56.893,0:17:58.498
우리는 여기에 있죠.

0:17:58.498,0:18:00.559
현재 우리는 주변을 보면서 말해요.

0:18:00.559,0:18:03.235
"컴퓨터는 정말 바보야." 그렇지?

0:18:03.235,0:18:06.664
하지만 5년 안에[br]컴퓨터는 이 도표밖으로 나갈 겁니다.

0:18:06.664,0:18:10.529
그래서 이 능력을 지금 당장[br]생각해야 합니다.

0:18:10.529,0:18:12.579
물론 전에도 이걸 본 적이 있습니다.

0:18:12.579,0:18:13.966
산업 혁명에서

0:18:13.966,0:18:16.817
엔진 덕분에 [br]능력이 한 단계 달라졌죠.

0:18:17.667,0:18:20.805
하지만 시간이 좀 흐른 뒤[br]오름세가 멈췄습니다.

0:18:20.805,0:18:22.507
사회적 분열이 있었지만

0:18:22.507,0:18:25.946
엔진을 사용해서[br]모든 상황에서 동력을 만들어내자

0:18:25.946,0:18:28.300
모든게 안정되었죠.

0:18:28.300,0:18:29.773
기계 학습 혁명은

0:18:29.773,0:18:32.682
산업 혁명과는 아주 다릅니다.

0:18:32.682,0:18:35.632
기계 학습 혁명은 절대[br]안정되지 않을 거니까요.

0:18:35.632,0:18:38.614
컴퓨터의 지능활동이 더 나을수록

0:18:38.614,0:18:42.862
더 나은 컴퓨터를 만들테고 그 컴퓨터는[br]지적 능력이 더 뛰어나겠죠.

0:18:42.862,0:18:44.770
그래서 이것은 세계가 실제로

0:18:44.770,0:18:47.248
경험해본 적이 없는 [br]변화가 될 것입니다.

0:18:47.248,0:18:50.554
여러분이 이전에 가능하다고 [br]이해한 것들이 이제는 다릅니다.

0:18:50.974,0:18:52.754
이것은 이미 우리에게 [br]영향을 주고 있습니다.

0:18:52.754,0:18:56.384
지난 25년간[br]자본 생산량은 증가했지만

0:18:56.400,0:19:00.588
노동 생산량은 변화가 없었고[br]사실 조금 감소했습니다.

0:19:01.408,0:19:04.149
그래서 이런 토론을 지금부터[br]시작하고 싶습니다.

0:19:04.149,0:19:07.176
제가 이런 상황을 사람들에게[br]종종 얘기하면

0:19:07.176,0:19:08.666
사람들은 아주 무시합니다.

0:19:08.666,0:19:10.339
컴퓨터는 진짜 생각할 수 없어.

0:19:10.339,0:19:13.367
감정을 드러내지 못하고[br]시도 이해를 못하지.

0:19:13.367,0:19:15.888
우리는 컴퓨터가 어떻게 작동하는지[br]정말 이해할 수 없어.

0:19:15.888,0:19:17.374
그러니 어쩌라고?

0:19:17.374,0:19:19.178
컴퓨터는 지금

0:19:19.178,0:19:21.897
사람들이 돈받고 하는 일을[br]할 수 있습니다.

0:19:21.897,0:19:23.628
그래서 이제는 우리가

0:19:23.628,0:19:28.015
이런 새로운 현실을 인식하도록 [br]사회적, 경제적 구조를 조정하는 법을

0:19:28.015,0:19:29.855
생각해봐야 할 때입니다.

0:19:29.855,0:19:31.388
감사합니다.

0:19:31.388,0:19:32.190
(박수)