컴퓨터 학습이 가져올 훌륭하고도 끔찍한 잠재적효과
-
0:00 - 0:05예전에는 컴퓨터가 새로운
일을 하게 만들려면 -
0:05 - 0:06프로그램을 짜야 했습니다.
-
0:06 - 0:10프로그래밍을
해본 적이 없는 분들은 -
0:10 - 0:13목표를 달성하기 위해서
-
0:13 - 0:17컴퓨터가 해야 할 일을 매 단계마다
-
0:17 - 0:19고통스러울정도로 세세하게
설정해야 합니다. -
0:19 - 0:23자, 하는 방법을 모르는 일을
여러분이 하고 싶다면 -
0:23 - 0:25그건 아주 커다란 도전이 되겠죠.
-
0:25 - 0:28이것이 아서 사무엘이
직면한 도전이었습니다. -
0:28 - 0:321956년 그는 컴퓨터가
-
0:32 - 0:35서양장기에서
그를 이기기를 바랬습니다. -
0:35 - 0:37프로그램을 어떻게 짤 수 있을까요?
-
0:37 - 0:40서양장기에서 여러분보다 잘하도록
극심한 세부사항을 쓸 수 있을까요? -
0:40 - 0:42그는 새로운 생각을 했습니다.
-
0:42 - 0:46컴퓨터가 스스로와 수천 번의
서양장기를 두게 해서 -
0:46 - 0:48서양장기 두는 법을
배우게 했습니다. -
0:48 - 0:52그 방법은 정말 효과가 있었고
사실 1962년에 -
0:52 - 0:56이 컴퓨터는 코네티컷 주의
우승자를 무찔렀습니다. -
0:56 - 0:59그래서 아서 사무엘은
기계 학습의 아버지였고 -
0:59 - 1:00저는 그분께 큰 빚을 지고 있죠.
-
1:00 - 1:03왜냐하면 저는
기계 학습 기술자이니까요. -
1:03 - 1:04저는 캐글의 회장인데
-
1:04 - 1:08캐글은 20만 명이 넘는
기계 학습 기술자들의 동호회입니다. -
1:08 - 1:10캐글은 이전까지 풀지 못했던 문제를
-
1:10 - 1:14해결하기 위한 대회를 주최하는데
-
1:14 - 1:17수백번 성공했습니다.
-
1:17 - 1:20그래서 이런 유리한 시점에서
저는 기계 학습이 -
1:20 - 1:24과거와 현재에 할 수 있는 일과
미래에 할 수 있는 일을 -
1:24 - 1:26많이 알 수 있었습니다.
-
1:26 - 1:31아마도 기계 학습이 상업에서 최초로
가장 크게 성공한 것은 구글이었습니다. -
1:31 - 1:34구글은 컴퓨터 알고리즘을 사용해서
-
1:34 - 1:36정보를 찾을 수 있음을 보여줬는데
-
1:36 - 1:38이 알고리즘은 기계 학습을
바탕으로 합니다. -
1:38 - 1:42그때부터 기계 학습의
상업적 성공이 많이 있었습니다. -
1:42 - 1:44아마존과 넷플릭스 같은 회사들은
-
1:44 - 1:48기계 학습을 이용해서
여러분이 사고 싶은 상품이나 -
1:48 - 1:50보고 싶은 영화를 제안합니다.
-
1:50 - 1:52때로는 오싹할 지경이죠.
-
1:52 - 1:54링크드인과 페이스북 같은 회사들은
-
1:54 - 1:56누가 여러분의 친구인지를
말해줄 겁니다. -
1:56 - 1:58어떻게 그렇게 하는지
여러분은 모릅니다. -
1:58 - 2:01그 이유는 기계 학습의 힘을
이용하기 때문이죠. -
2:01 - 2:05이 알고리즘은 하는 방법을
손으로 쓴 프로그램 보다는 -
2:05 - 2:07데이터에서 배웠습니다.
-
2:07 - 2:10IBM이 왓슨을 이용해 "제퍼디"에서
-
2:10 - 2:142명의 세계 챔피언을 성공적으로
무찌른 이유이기도 합니다. -
2:14 - 2:17이처럼 아주 미묘하고
복잡한 질문에 대답했죠. -
2:17 - 2:20["고대 '니무르드의 사자'가 2003년
이 도시의 박물관에서 사라졌습니다." -
2:20 - 2:23이 때문에 우리는 이제 최초의
무인 자동차를 볼 수 있습니다. -
2:23 - 2:26나무와 보행자의 차이점,
그게 아주 중요한데 -
2:26 - 2:28그걸 구별하고 싶을 때
-
2:28 - 2:31손으로 프로그램을
어떻게 써야할지 모르지만 -
2:31 - 2:34기계 학습으로
이제 가능합니다. -
2:34 - 2:37사실 이 자동차는
일반 도로에서 사고 없이 -
2:37 - 2:40수백만 km를 달렸습니다.
-
2:40 - 2:44이제 우리는 컴퓨터가 배울 수 있고
-
2:44 - 2:46우리가 실제로 하는 방법을
-
2:46 - 2:49모르는 일도 할 수 있도록
배울 수 있음을 압니다. -
2:49 - 2:52어쩌면 우리보다 잘할 수도 있어요.
-
2:52 - 2:56기계 학습에서 가장 놀라운 예가
-
2:56 - 2:58제가 캐글에서 하는
프로젝트에서 일어났습니다. -
2:58 - 3:02토론토 대학 출신의 제프리 힌튼이
-
3:02 - 3:03이끄는 팀은
-
3:03 - 3:06자동 신약 개발을 위한
대회에서 이겼습니다. -
3:06 - 3:09자, 여기서 놀라운 사실은
그들이 머크 또는 국제 학회가 -
3:09 - 3:13개발한 알고리즘을 이겼을 뿐만 아니라
-
3:13 - 3:18어떤 팀원도 화학, 생물학, 생명과학에
관한 지식이 없었다는 점입니다. -
3:18 - 3:20그들은 2주안에 완성했죠.
-
3:20 - 3:22어떻게 했을까요?
-
3:22 - 3:25그들은 심화 학습이라는
놀라운 알고리즘을 사용했습니다. -
3:25 - 3:28이것은 사실 아주 중요해서
몇 주가 지난 뒤 -
3:28 - 3:31뉴욕 타임즈에서
앞면 기사로 다뤘습니다. -
3:31 - 3:34왼쪽이 제프리 힌튼입니다.
-
3:34 - 3:38심화 학습은 사람의 뇌가 작용하는
방식에 영감을 받아서 만든 -
3:38 - 3:40알고리즘으로 그 결과
-
3:40 - 3:44할 수 있는 일에 대한
이론적 한계가 없습니다. -
3:44 - 3:47더 많은 데이터와
더 많은 계산 시간을 줄수록 -
3:47 - 3:48더 좋은 결과를 냅니다.
-
3:48 - 3:51뉴욕 타임즈는 이 기사에서
-
3:51 - 3:53심화 학습의 또다른
놀라운 결과를 보여줬는데 -
3:53 - 3:55여러분께 보여드리죠.
-
3:56 - 4:01컴퓨터가 듣고
이해할 수 있음을 보여줍니다. -
4:01 - 4:03(영상) 리챠드 라시드:
제가 이 과정에서 -
4:03 - 4:06마지막으로 보여드릴 단계는
-
4:06 - 4:11실제 중국어로 말하는 것입니다.
-
4:11 - 4:14중요한 점은
-
4:14 - 4:19많은 중국인들로부터
엄청난 양의 정보를 모을 수 있었고 -
4:19 - 4:21글자를 음성으로 바꾸는 시스템을 만들어
-
4:21 - 4:26중국 글자를 중국 말로 변환시키고
-
4:26 - 4:30제 목소리를 한 시간 정도 녹음해서
-
4:30 - 4:32표준 문자 - 음성 변환 시스템을
조절해서 -
4:32 - 4:36제 목소리처럼 나도록 만들었습니다.
-
4:36 - 4:39역시 결과는 완벽하지 않습니다.
-
4:39 - 4:42사실 오류가 상당히 있었습니다.
-
4:42 - 4:44(중국어)
-
4:44 - 4:47(박수)
-
4:49 - 4:53아직 많은 작업이 필요합니다.
-
4:53 - 4:57(중국어)
-
4:57 - 5:00(박수)
-
5:01 - 5:05제레미 하워드 : 중국에서 열린
기계 학습 회의였습니다. -
5:05 - 5:07학술 회의에서 실제로
-
5:07 - 5:09즉흥적인 박수를 듣기는 쉽지 않죠.
-
5:09 - 5:13그래도 TEDx 회의에서는
자유롭게 하세요. -
5:13 - 5:15거기서 본 모든 것이
심화 학습으로 일어났습니다. -
5:15 - 5:17(박수) 감사합니다.
-
5:17 - 5:19영어로 옮겨쓰기는 심화 학습이었죠.
-
5:19 - 5:23중국어 번역과 오른쪽 위의 글자도
심화 학습이었고 -
5:23 - 5:26목소리로 재생하는 것 역시
심화 학습이었습니다. -
5:26 - 5:29그래서 심화 학습은 놀라운 것입니다.
-
5:29 - 5:32하나의 알고리즘인데
거의 모든 일을 할 수 있어 보입니다. -
5:32 - 5:35제가 1년 전에 발견했는데
보는 법도 배웠습니다. -
5:35 - 5:38독일의 애매한 대회인
-
5:38 - 5:40독일 교통 신호 인식 성능평가에서
-
5:40 - 5:44심화 학습은 이런 교통 신호를
인식하는 법을 배웠습니다. -
5:44 - 5:46교통 신호를 인식할 뿐만 아니라
-
5:46 - 5:47어떤 알고리즘보다 낫고
-
5:47 - 5:50성적이 사람보다 2배 정도
-
5:50 - 5:52나은 결과를 보였습니다.
-
5:52 - 5:542011년 우리는 사람보다
-
5:54 - 5:57잘 볼 수 있는 컴퓨터의
첫번째 예를 가졌습니다. -
5:57 - 5:59그후로 많은 일이 일어났죠.
-
5:59 - 6:032012년 구글은 심화 학습 알고리즘을
만들었다고 발표했습니다. -
6:03 - 6:04유튜브 동영상을 보고
-
6:04 - 6:08한 달에 1만6천 대의
컴퓨터 데이터를 처리해서 -
6:08 - 6:12컴퓨터는 그냥 동영상을 보는 것만으로
사람과 고양이 같은 개념을 -
6:12 - 6:14스스로 학습했습니다.
-
6:14 - 6:16사람이 배우는 방법과 비슷하죠.
-
6:16 - 6:19사람들은 보는 것을
알려줘서 배우는 게 아니라 -
6:19 - 6:22그것이 뭔지 스스로 배웁니다.
-
6:22 - 6:26또한 2012년 우리가 앞서 봤던
제프리 힌튼은 -
6:26 - 6:29아주 유명한 이미지넷 대회에서
우승했는데 -
6:29 - 6:331백만 5천장의 사진을 보고
그게 어떤 사진인지 -
6:33 - 6:34맞추는 내용이죠.
-
6:34 - 6:382014년 이제 영상 인식에서
6%의 오차율까지 -
6:38 - 6:39내려갔습니다.
-
6:39 - 6:41이것도 사람보다 낫습니다.
-
6:41 - 6:45기계는 정말 놀라울만큼
일을 잘하고 있고 -
6:45 - 6:47이제 산업에서 사용됩니다.
-
6:47 - 6:50예를 들어, 구글은 작년에
-
6:50 - 6:55프랑스의 구석구석을 2시간 안에
지도로 만들었다고 발표했는데 -
6:55 - 6:58그들이 한 방법은
길거리에서 찍은 사진을 -
6:58 - 7:03심화 학습 알고리즘에 입력해서
주소를 인식하고 읽게 했습니다. -
7:03 - 7:05이전에는 얼마나 오래 걸렸을지
생각해보세요. -
7:05 - 7:08수십명의 사람들이 몇 년동안 했겠죠.
-
7:08 - 7:10이것은 중국에서도 일어나고 있습니다.
-
7:10 - 7:14바이두는 중국판 구글이라고
제가 추측하는데 -
7:14 - 7:17왼쪽 위에서 보는 것은
-
7:17 - 7:20바이두의 심화 학습 시스템에
제가 올린 사진의 예이고 -
7:20 - 7:24그 아래에 그 사진이 뭔지를
시스템이 이해하고 -
7:24 - 7:26비슷한 사진들을 찾아놓은 것을
볼 수 있죠. -
7:26 - 7:29비슷한 사진들은 실제로
비슷한 배경과 -
7:29 - 7:31비슷한 얼굴 방향을 갖고 있고
-
7:31 - 7:33혀를 내민 모습도 비슷하죠.
-
7:33 - 7:36이것은 웹페이지의 글자를
찾은 게 아닙니다. -
7:36 - 7:37제가 올린 것은 사진이었죠.
-
7:37 - 7:41이제 컴퓨터가 본 것을 정말 이해해서
-
7:41 - 7:43수천만 장의 사진이 든
-
7:43 - 7:46데이터베이스를 실시간으로
찾을 수 있습니다. -
7:46 - 7:50컴퓨터가 볼 수 있다는 게
무슨 의미일까요? -
7:50 - 7:52컴퓨터가 볼 수 있다는 것만이 아니라
-
7:52 - 7:54사실 심화 학습은
더 많은 일을 했습니다. -
7:54 - 7:57이렇게 복잡하고 미묘한 문장은
-
7:57 - 7:59이제 심화 학습 알고리즘으로
이해할 수 있습니다. -
7:59 - 8:01여기서 보듯이
-
8:01 - 8:03위에 있는 빨간점을 보여주는
스탠포드에 있는 시스템은 -
8:03 - 8:07이 문장이 부정적인 느낌을
표현하는 것을 알아냈습니다. -
8:07 - 8:11심화 학습은 이제 사실
사람에 가깝게 -
8:11 - 8:16문장을 이해하고
그게 어떤 말을 하는지 압니다. -
8:16 - 8:19심화 학습은 또한
중국어를 읽는데 사용되었고 -
8:19 - 8:22중국어 원어민 수준입니다.
-
8:22 - 8:24이 알고리즘은 스위스에서 개발되었는데
-
8:24 - 8:27개발자 중 중국어를 할 수 있는 사람이
아무도 없었습니다. -
8:27 - 8:29심화 학습을 사용하는 것은
-
8:29 - 8:32사람의 이해에 비해서도
-
8:32 - 8:37세계 최고의 시스템에 관한 것입니다.
-
8:37 - 8:40이것은 우리가 회사에서
-
8:40 - 8:42모든 것을 다 통합해서
만든 시스템입니다. -
8:42 - 8:44이것들은 글자가 없는 사진들로서
-
8:44 - 8:47제가 문장을 입력하면
-
8:47 - 8:50실시간으로 그 사진들을 이해해서
-
8:50 - 8:51그게 어떤 사진인지 알고
-
8:51 - 8:54제가 쓰는 글에 대해
비슷한 사진을 찾아줍니다. -
8:54 - 8:57보다시피 제가 쓴 글을 이해하고
-
8:57 - 8:59이 사진들을 실제로 이해합니다.
-
8:59 - 9:02여러분은 구글에서
이와 비슷한 것을 봤을 텐데 -
9:02 - 9:05여러분이 글자를 입력하면
사진을 보여줍니다. -
9:05 - 9:08하지만 실제로는 그 글자가 있는
웹페이지를 찾는 거죠. -
9:08 - 9:11이것은 사진을 실제로 이해하는 것과
아주 다릅니다. -
9:11 - 9:14이것은 컴퓨터가 지난 몇 달동안
-
9:14 - 9:17처음으로 할 수 있었던 일입니다.
-
9:17 - 9:21이제 컴퓨터는 볼 수 있을 뿐만 아니라
읽을 수도 있고 -
9:21 - 9:25물론 들은 것도 이해할 수 있음을
봤습니다. -
9:25 - 9:28컴퓨터가 쓸 줄 안다고 얘기해도
이제는 놀라지 않으실 거에요. -
9:28 - 9:33이것은 심화 학습 알고리즘을 사용해서
어제 제가 만든 글입니다. -
9:33 - 9:37이것은 스탠포드에서 만든
알고리즘으로 만든 글입니다. -
9:37 - 9:39이 글은 각각의 사진을
-
9:39 - 9:43설명하기 위해
심화 학습 알고리즘이 만들었습니다. -
9:43 - 9:48이 알고리즘은 검은색 셔츠를 입고
기타를 치는 남자를 본 적이 없습니다. -
9:48 - 9:50남자를 본 적이 있고
검은 색을 본 적이 있고 -
9:50 - 9:51기타를 본 적은 있어요.
-
9:51 - 9:56그런데 스스로 이 사진을
훌륭하게 설명했습니다. -
9:56 - 9:59아직도 사람보다는 못하지만
꽤 가까이 왔습니다. -
9:59 - 10:03실험에서 사람들은
컴퓨터가 만들어낸 캡션을 -
10:03 - 10:054회당 1회 꼴로 좋아했습니다.
-
10:05 - 10:07이 시스템은 이제 2주가 되었는데
-
10:07 - 10:09아마도 내년 안으로
-
10:09 - 10:12지금 진행되는 속도로 봐서
컴퓨터 알고리즘이 -
10:12 - 10:13사람을 앞지를 것입니다.
-
10:13 - 10:16컴퓨터는 쓸 수도 있습니다.
-
10:16 - 10:20그래서 이 모든 기능을 합하면
아주 흥미로운 기회가 생기겠죠. -
10:20 - 10:21예를 들어 의학에서
-
10:21 - 10:24보스턴의 팀은 종양에서
-
10:24 - 10:27임상적으로 관련된 수십가지의 특징을
새롭게 발견했는데 -
10:27 - 10:31이것으로 의사들이 암을 예측하는데
도움을 줄 수 있습니다. -
10:32 - 10:35스탠포드에서도 비슷하게
-
10:35 - 10:38한 그룹이 조직을 확대경으로 보는
-
10:38 - 10:41기계 학습을 기반으로 한
시스템을 개발했는데 -
10:41 - 10:43사실 암 환자의 생존율을 예측하는데
-
10:43 - 10:48병리학자보다 낫다고 합니다.
-
10:48 - 10:51두 경우 모두
예측이 더 정확할 뿐만 아니라 -
10:51 - 10:53통찰력있는 과학을
새로 만들어냈습니다. -
10:53 - 10:55방사선학의 경우
-
10:55 - 10:58사람이 이해할 수 있는
새로운 임상 징후가 있었습니다. -
10:58 - 11:00병리학의 경우
-
11:00 - 11:04컴퓨터 시스템은 진단을 하는데
-
11:04 - 11:08실제로 암주변의 세포가
암 세포 만큼이나 -
11:08 - 11:09중요하다는 사실을 발견했습니다.
-
11:09 - 11:15이는 병리학자가 수십년동안
가르친 사실과 반대됩니다. -
11:15 - 11:18각각의 경우에서 시스템은
-
11:18 - 11:22의학 전문과와 기계 학습 전문가가
함께 개발했지만 -
11:22 - 11:24작년에 그걸 뛰어넘었습니다.
-
11:24 - 11:28이것은 현미경으로 사람의 조직에서
-
11:28 - 11:30암 조직을 밝히는 예입니다.
-
11:30 - 11:35여기서 보는 시스템은 암 조직을
더 정확히 판별할 수 있고 -
11:35 - 11:38병리학자만큼이나 정확하게
판별할 수 있지만 -
11:38 - 11:41의학 전문가를 쓰지 않고 그 분야에
지식이 전혀 없는 사람들이 -
11:41 - 11:44심화 학습 만으로 만들었습니다.
-
11:45 - 11:47마찬가지로 여기 신경 분할인데
-
11:47 - 11:51사람만큼이나 정확하게
신경을 분할할 수 있지만 -
11:51 - 11:54이 시스템은 의학에
배경지식이 없는 사람들이 -
11:54 - 11:57심화 학습을 이용해서 만들었습니다.
-
11:57 - 12:00그래서 저처럼 의학에
배경지식이 없는 사람이 -
12:00 - 12:04새로운 의료 회사를 시작하는데
아주 적합한 사람처럼 보여서 -
12:04 - 12:06실제로 그렇게 했죠.
-
12:06 - 12:08공포를 느꼈지만
-
12:08 - 12:11이론은 이런
데이터 분석기법을 이용해서 -
12:11 - 12:16아주 유용한 의학이 가능함을
제시해주고 있었죠. -
12:16 - 12:19그리고 감사하게도
평가는 좋았습니다. -
12:19 - 12:21미디어 뿐만 아니라 의학계에서도
-
12:21 - 12:23아주 긍정적이었습니다.
-
12:23 - 12:27그 이론은 의료 과정의 중간 부분을
우리가 가져와서 -
12:27 - 12:30최대한 데이터 분석을 한 뒤
-
12:30 - 12:33의사들에게 그들이 잘하는 일을
맡기는 거죠. -
12:33 - 12:35예를 보여드리겠습니다.
-
12:35 - 12:40새로운 의료 진단 실험을 하는데
15분쯤 걸리는데 -
12:40 - 12:42이제 실시간으로 보여드리죠.
-
12:42 - 12:45몇 단계를 생략해서
3분으로 줄였습니다. -
12:45 - 12:48의료 진단 실험을
하는 것을 보여주는 대신 -
12:48 - 12:52자동차 사진의 진단 실험을
보여드리겠습니다. -
12:52 - 12:54왜냐하면 우리 모두
이해할 수 있는 거니까요. -
12:54 - 12:57여기서 150만 개의
자동차 사진으로 시작하죠. -
12:57 - 13:00사진을 찍은 각도로
-
13:00 - 13:03분류하는 뭔가를 만들고 싶어요.
-
13:03 - 13:07이 사진들은 모두 제목도 없어서
처음부터 시작해야 됩니다. -
13:07 - 13:08심화 학습 알고리즘으로
-
13:08 - 13:12이 사진들의 구조를
자동으로 구별할 수 있습니다. -
13:12 - 13:16좋은 점은 사람과 컴퓨터가
함께 일할 수 있다는 거죠. -
13:16 - 13:18사람은 여기서 보다시피
-
13:18 - 13:21컴퓨터한테 관심분야를 말하고
-
13:21 - 13:25컴퓨터가 알고리즘을 개선하죠.
-
13:25 - 13:30자, 이 심화 학습 시스템은 실제로
1만6천 차원의 공간을 가집니다. -
13:30 - 13:33컴퓨터가 이것을 그 공간사이로
회전하는 것을 볼 수 있습니다. -
13:33 - 13:35새로운 구조를 발견하려는 거죠.
-
13:35 - 13:37컴퓨터가 성공적으로 끝내면
-
13:37 - 13:41그걸 작동하는 사람은
관심있는 분야를 가리킵니다. -
13:41 - 13:43여기서 컴퓨터는 그 분야를
성공적으로 찾아냈는데 -
13:43 - 13:46이 경우는 각도이죠.
-
13:46 - 13:47우리가 이 과정을 거쳐가면서
-
13:47 - 13:50컴퓨터한테 우리가 찾고 있는
구조에 대해서 -
13:50 - 13:52단계적으로 더 많이 말해줍니다.
-
13:52 - 13:54진단 실험에서
-
13:54 - 13:57병리학자가 병적 상태인 곳을
밝혀내거나 -
13:57 - 14:02방사선의가 문제가 있을 수 있는 혹을
가르키는 것을 상상할 수 있습니다. -
14:02 - 14:05알고리즘에서 어려운 부분도 있습니다.
-
14:05 - 14:07이 경우 약간 헷갈렸어요.
-
14:07 - 14:09자동차의 앞과 뒤가 모두 섞여버렸죠.
-
14:09 - 14:11그래서 여기서 좀더 주의해서
-
14:11 - 14:15뒤가 아니라 앞을 수동으로 선택해서
-
14:15 - 14:20컴퓨터에게 우리가 관심있는
부분이 이 부분이라고 -
14:20 - 14:22얘기를 해야합니다.
-
14:22 - 14:24그래서 한동안 그 작업을 하고
좀 더 건너뛰면 -
14:24 - 14:26이런 수백 가지 일을 바탕으로
-
14:26 - 14:28기계 학습 알고리즘을 훈련시켜
-
14:28 - 14:30앞으로 더 나아지기를 바랍니다.
-
14:30 - 14:34보다시피 시스템은 사진들 일부를
사라지게 만들면서 -
14:34 - 14:38이 사진들을 이해하는 법을
이미 인식하고 있음을 보여줍니다. -
14:38 - 14:41우리는 비슷한 사진의 개념을 이용해서
-
14:41 - 14:43이제 여러분이 보는 것과 같이
-
14:43 - 14:47이 시점에서 컴퓨터는 자동차의 앞만
찾을 수 있습니다. -
14:47 - 14:50이 시점에서 사람은 컴퓨터에게
-
14:50 - 14:52좋아, 잘 했어. 라고 말할 수 있죠.
-
14:54 - 14:56물론 어떤 경우는 이 시점에도
-
14:56 - 15:00그룹으로 나누기가 어렵습니다.
-
15:00 - 15:03이 경우 컴퓨터가 한동안
이것을 회전하게 내버려둬도 -
15:03 - 15:07왼쪽과 오른쪽이 뒤섞인 것을
-
15:07 - 15:08볼 수 있습니다.
-
15:08 - 15:10그래서 컴퓨터한테 다시
힌트를 줘서 -
15:10 - 15:13심화 학습 알고리즘을 이용해서
-
15:13 - 15:16왼쪽과 오른쪽을 가능한 분리시키는
-
15:16 - 15:18투사도를 찾아라고 합니다.
-
15:18 - 15:21그 힌트를 주면 성공입니다.
-
15:21 - 15:24이들 물체들을 분리해내는
-
15:24 - 15:26방법을 스스로 찾은 거죠.
-
15:26 - 15:29여기서 생각을 얻을 수 있죠.
-
15:29 - 15:37사람이 컴퓨터로 대체되는 경우가 아니라
-
15:37 - 15:40함께 일합니다.
-
15:40 - 15:43우리가 여기서 하는 일은
-
15:43 - 15:455-6명의 팀이 7년쯤 걸리는 일을
-
15:45 - 15:48한 사람이 15분 걸려서
-
15:48 - 15:50하는 일로 대체합니다.
-
15:50 - 15:54이 과정은 4 - 5 번 반복합니다.
-
15:54 - 15:56보다시피 150만 장의 사진의
-
15:56 - 15:5962%가 제대로
분류된 것을 볼 수 있죠. -
15:59 - 16:01이 시점에서 우리는
-
16:01 - 16:03전체를 빠르게 잡아서
-
16:03 - 16:06실수가 없는지 확인합니다.
-
16:06 - 16:10실수가 있으면 컴퓨터에게 알리죠.
-
16:10 - 16:13각각의 다른 그룹에서 이런 과정을 통해
-
16:13 - 16:15150만 장의 사진을 분류하는데
-
16:15 - 16:1880%의 성공율을 보입니다.
-
16:18 - 16:20이 시점에서는
-
16:20 - 16:23바르게 분류되지 않은 적은 숫자를 찾아
-
16:23 - 16:26이유를 알아내는 과정입니다.
-
16:26 - 16:28그런 방식으로
-
16:28 - 16:3215분 안에 우리는 97%의
분류율을 얻습니다. -
16:32 - 16:37이런 기술은 우리가 중요한 문제를
고칠 수 있게 하는데 -
16:37 - 16:40그것은 세계에서 의료 전문가가
부족하다는 사실입니다. -
16:40 - 16:43세계 경제 포럼은 개발도상국에서
-
16:43 - 16:4610배에서 20배의 의사가
부족하다고 말했는데 -
16:46 - 16:48그 문제를 고치기 위해
-
16:48 - 16:51충분한 인원을 교육시키려면
300년이 걸립니다. -
16:51 - 16:54이런 심화 학습 방식을 사용해서
-
16:54 - 16:56그들의 효율을 높일 수 있다고
상상해보세요. -
16:56 - 16:59저는 그런 기회에 대해
아주 흥분했습니다. -
16:59 - 17:01저는 그 문제도 걱정합니다.
-
17:01 - 17:04여기서 문제는 이 지도에서
파란색으로 표시된 곳은 -
17:04 - 17:08서비스가 고용의
80% 이상을 차지합니다. -
17:08 - 17:10무슨 서비스일까요?
-
17:10 - 17:11이런 서비스입니다.
-
17:11 - 17:16이것들은 컴퓨터가
방금 배운 것과 똑같습니다. -
17:16 - 17:19개발된 세상에서 고용의 80%가
-
17:19 - 17:22컴퓨터가 방금 배운 것입니다.
-
17:22 - 17:23그게 뭘 뜻합니까?
-
17:23 - 17:26글쎄, 괜찮을거에요.
다른 일자리로 대체되겠죠. -
17:26 - 17:29예를 들면, 데이터 과학자한테
더 많은 일이 있을 겁니다. -
17:29 - 17:30그렇지 않아요.
-
17:30 - 17:33데이터 과학자가 이런 것을 만드는데
오래 걸리지 않습니다. -
17:33 - 17:36예를 들어, 4가지 알고리즘이 모두
한 사람이 만들었죠. -
17:36 - 17:38여러분이 이전에도 이런 일이
벌어졌다고 생각한다면 -
17:38 - 17:42과거에 새로운 것이 나타났을 때
그 결과를 본 적이 있죠. -
17:42 - 17:44새로운 일자리로 대체되었고
-
17:44 - 17:46새로운 일자리는 어떤 것일까요?
-
17:46 - 17:48이것을 예측하기가 정말 어렵습니다.
-
17:48 - 17:51왜냐하면 사람의 성과는
이렇게 점진적인데 -
17:51 - 17:54심화 학습 시스템은
-
17:54 - 17:57능력이 기하급수적으로
증가하는 것을 압니다. -
17:57 - 17:58우리는 여기에 있죠.
-
17:58 - 18:01현재 우리는 주변을 보면서 말해요.
-
18:01 - 18:03"컴퓨터는 정말 바보야." 그렇지?
-
18:03 - 18:07하지만 5년 안에
컴퓨터는 이 도표밖으로 나갈 겁니다. -
18:07 - 18:11그래서 이 능력을 지금 당장
생각해야 합니다. -
18:11 - 18:13물론 전에도 이걸 본 적이 있습니다.
-
18:13 - 18:14산업 혁명에서
-
18:14 - 18:17엔진 덕분에
능력이 한 단계 달라졌죠. -
18:18 - 18:21하지만 시간이 좀 흐른 뒤
오름세가 멈췄습니다. -
18:21 - 18:23사회적 분열이 있었지만
-
18:23 - 18:26엔진을 사용해서
모든 상황에서 동력을 만들어내자 -
18:26 - 18:28모든게 안정되었죠.
-
18:28 - 18:30기계 학습 혁명은
-
18:30 - 18:33산업 혁명과는 아주 다릅니다.
-
18:33 - 18:36기계 학습 혁명은 절대
안정되지 않을 거니까요. -
18:36 - 18:39컴퓨터의 지능활동이 더 나을수록
-
18:39 - 18:43더 나은 컴퓨터를 만들테고 그 컴퓨터는
지적 능력이 더 뛰어나겠죠. -
18:43 - 18:45그래서 이것은 세계가 실제로
-
18:45 - 18:47경험해본 적이 없는
변화가 될 것입니다. -
18:47 - 18:51여러분이 이전에 가능하다고
이해한 것들이 이제는 다릅니다. -
18:51 - 18:53이것은 이미 우리에게
영향을 주고 있습니다. -
18:53 - 18:56지난 25년간
자본 생산량은 증가했지만 -
18:56 - 19:01노동 생산량은 변화가 없었고
사실 조금 감소했습니다. -
19:01 - 19:04그래서 이런 토론을 지금부터
시작하고 싶습니다. -
19:04 - 19:07제가 이런 상황을 사람들에게
종종 얘기하면 -
19:07 - 19:09사람들은 아주 무시합니다.
-
19:09 - 19:10컴퓨터는 진짜 생각할 수 없어.
-
19:10 - 19:13감정을 드러내지 못하고
시도 이해를 못하지. -
19:13 - 19:16우리는 컴퓨터가 어떻게 작동하는지
정말 이해할 수 없어. -
19:16 - 19:17그러니 어쩌라고?
-
19:17 - 19:19컴퓨터는 지금
-
19:19 - 19:22사람들이 돈받고 하는 일을
할 수 있습니다. -
19:22 - 19:24그래서 이제는 우리가
-
19:24 - 19:28이런 새로운 현실을 인식하도록
사회적, 경제적 구조를 조정하는 법을 -
19:28 - 19:30생각해봐야 할 때입니다.
-
19:30 - 19:31감사합니다.
-
19:31 - 19:32(박수)
- Title:
- 컴퓨터 학습이 가져올 훌륭하고도 끔찍한 잠재적효과
- Speaker:
- 제레미 하워드 (Jeremy Howard)
- Description:
-
우리가 컴퓨터에게 배우는 법을 가르친다면 무슨 일이 일어날까요? 기술 전문가 제레미 하워드는 빠르게 발전하는 심화 학습 분야에서 일어난 놀랍고도 새로운 개발을 공유합니다. 심화 학습은 컴퓨터한테 중국어를 배우는 능력을 주고, 사진에서 물체를 인식하게 하거나, 의료 진단를 돕도록 합니다. (유튜브를 몇 시간 본뒤에 "고양이"라는 개념을 스스로 배운 심화 학습 도구) 여러분이 생각하는 것보다 훨씬 빨리 주위의 컴퓨터를 완전히 바꿔버릴 분야를 알아봅시다.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 19:45
Jeong-Lan Kinser edited Korean subtitles for The wonderful and terrifying implications of computers that can learn | ||
Jeong-Lan Kinser edited Korean subtitles for The wonderful and terrifying implications of computers that can learn | ||
Jeong-Lan Kinser edited Korean subtitles for The wonderful and terrifying implications of computers that can learn | ||
Jeong-Lan Kinser approved Korean subtitles for The wonderful and terrifying implications of computers that can learn | ||
Jeong-Lan Kinser edited Korean subtitles for The wonderful and terrifying implications of computers that can learn | ||
Jeong-Lan Kinser edited Korean subtitles for The wonderful and terrifying implications of computers that can learn | ||
Mingyu Choi edited Korean subtitles for The wonderful and terrifying implications of computers that can learn | ||
Mingyu Choi edited Korean subtitles for The wonderful and terrifying implications of computers that can learn |