自ら学習するコンピュータの素晴らしくも物恐ろしい可能性 | ジェレミー・ハワード | TEDxBrussels
-
0:10 - 0:13これまではコンピューターに
何かさせようと思ったら -
0:13 - 0:15プログラムを書く
必要がありました -
0:15 - 0:19プログラミングはやったことが
ないかもしれませんが -
0:19 - 0:22やりたいことを
実現するために -
0:22 - 0:25コンピューターが
行うべきことを -
0:25 - 0:27事細かに指定してやる
必要があります -
0:27 - 0:31だから実現したいことの
具体的なやり方を知らずに -
0:31 - 0:33プログラムを書くというのは
難しい話です -
0:33 - 0:37それがこの写真の人物
アーサー・サミュエルが直面した問題でした -
0:37 - 0:431956年のこと 彼はチェッカーで
自分に勝てるプログラムを作りたいと思いました -
0:43 - 0:45しかしどうしたら
自分より上手く -
0:45 - 0:49チェッカーを指す手順を
詳細に記述することができるでしょう? -
0:49 - 0:51彼は良い方法を
思いつきました -
0:51 - 0:54コンピュータ自身を相手に
何千回も -
0:54 - 0:57チェッカーの対局をさせて
自分で学ばせるんです -
0:57 - 1:00これはうまくいきました
そのプログラムは実際 -
1:00 - 1:031962年に コネチカット州チャンピオンを
破ることができました -
1:03 - 1:07だからアーサー・サミュエルは
機械学習の父とも言え -
1:07 - 1:08私自身 彼に
多くを負っています -
1:08 - 1:11というのも私は機械学習の応用を
生業としているからです -
1:11 - 1:13私が代表を務めていた
-
1:13 - 1:16Keggleには20万人以上の
機械学習専門家が属しています -
1:16 - 1:18Keggleでは
-
1:18 - 1:22かつて解かれたことのない課題を使って
競技会を開催していて -
1:22 - 1:25何百回となく
成功を収めています -
1:26 - 1:28そのような立場から
機械学習には かつて何ができ -
1:28 - 1:32今何ができて
将来何ができるようになるか -
1:32 - 1:34多くのことを
学ぶことができました -
1:34 - 1:37機械学習が商業的に
大きな成功を収めた -
1:37 - 1:39最初の例は
Googleかもしれません -
1:39 - 1:42Googleは
機械学習を使った -
1:42 - 1:44アルゴリズムによって
-
1:44 - 1:47情報を見つけられることを
示しました -
1:47 - 1:51それ以来 機械学習の商業的な成功事例が
たくさん生まれています -
1:51 - 1:53AmazonやNetflixのような企業は
-
1:53 - 1:56機械学習を使って
ユーザーが買いたいであろう商品や -
1:56 - 1:58見たいであろう映画を
提示していて -
1:58 - 2:00その精度は
時に不気味なくらいです -
2:00 - 2:02LinkedInやFacebookは
-
2:02 - 2:04知り合いかもしれない人を示唆し
なぜ分かったのか -
2:04 - 2:06当人には
見当も付きませんが -
2:06 - 2:09これも機械学習の力を
使っているのです -
2:09 - 2:13手順が事細かに
プログラミングされているのではなく -
2:13 - 2:15どうすべきかをデータから学習する
アルゴリズムが使われています -
2:16 - 2:18IBMのワトソンが
ジェパディの世界チャンピオン -
2:18 - 2:212人を破ったのも
そのような方法によってで -
2:21 - 2:24ご覧のような複雑な問いに
答えることができました -
2:24 - 2:29[2003年にこの町の国立博物館から古代の
“ニムルドの獅子” が (その他多くの品とともに) 消えた] -
2:29 - 2:32自動運転車が実現可能になったのも
機械学習のお陰です -
2:33 - 2:35たとえば木と歩行者を
見分けるといったことが -
2:35 - 2:38できる必要があります
-
2:38 - 2:41そのようなことの具体的な手順が
どうすれば書けるのか -
2:41 - 2:44分かりませんが
機械学習で可能になったのです -
2:44 - 2:46事実この車は
事故を起こすこともなく -
2:46 - 2:49普通の公道を
何百万キロも走行しています -
2:49 - 2:52コンピューターは
単に学べるだけでなく -
2:52 - 2:55どうしたらできるのか
-
2:55 - 2:57分からないようなことも
学ぶことができ -
2:57 - 3:00人間よりも上手くなることも
あり得るのです -
3:00 - 3:04機械学習で最も目覚ましい
事例の1つは -
3:04 - 3:07私がKeggleで主催した
プロジェクトで -
3:07 - 3:11ジェフリー・ヒントン率いる
-
3:11 - 3:12トロント大のチームが
-
3:12 - 3:15薬を発見する競技に
優勝した時です -
3:15 - 3:17これがすごいのは
医薬大手のメルク社や -
3:17 - 3:22この分野の専門家チームの
開発したアルゴリズムを破った彼らのチームに -
3:22 - 3:27化学や生物学やライフサイエンスを
ちゃんと学んだ経験のある人が誰もいなかったことで -
3:27 - 3:29しかも たった2週間で
やってのけたのです -
3:29 - 3:31どうして可能だったのか?
-
3:31 - 3:34ディープ・ラーニングと呼ばれる
アルゴリズムを使ったのです -
3:34 - 3:37ことの重大さは 数週間後に
ニューヨークタイムズ紙の -
3:37 - 3:40一面で取り上げられたことでも
分かると思います -
3:40 - 3:43画面の左に出ているのが
ジェフリー・ヒントンです -
3:43 - 3:47ディープ・ラーニングというのは
人の脳の仕組みを参考にしたアルゴリズムで -
3:47 - 3:49何が可能かについて
-
3:49 - 3:52理論的には限界がありません
-
3:52 - 3:56より多くのデータと
処理時間を使うほど -
3:56 - 3:57より良い結果が得られます
-
3:57 - 3:59ニューヨークタイムズは
その記事でもう1つ -
3:59 - 4:02ディープ・ラーニングのすごい事例を
取り上げています -
4:02 - 4:04それをこれからお見せしましょう
-
4:04 - 4:08コンピューターが人の話を聞いて
理解できることを示すものです -
4:09 - 4:11(ビデオ) このプロセスの
最後に加えたいステップは -
4:11 - 4:14実際に中国語で
-
4:14 - 4:17話させるということです
-
4:19 - 4:22ここで鍵になるのは
-
4:22 - 4:27中国語話者から得た
膨大な情報を使って -
4:27 - 4:30中国語のテキストを
音声に変える -
4:30 - 4:34音声合成システムを作り
-
4:35 - 4:391時間ほどの
私自身の声のデータを使って -
4:39 - 4:41そのシステムを調整し
-
4:41 - 4:45まるで私が話しているかのようにする
ということです -
4:45 - 4:48まだ完璧なものではありません
-
4:48 - 4:51たくさんミスをします
-
4:51 - 4:53(音声合成された中国語訳)
-
4:53 - 4:57(拍手)
-
4:58 - 5:01この領域で為されるべきことは
まだたくさんあります -
5:01 - 5:05(音声合成された中国語訳)
-
5:05 - 5:08(拍手)
-
5:10 - 5:14これは中国で行われた
カンファレンスでのものですが -
5:14 - 5:17学会で拍手が
沸き起こるというのは -
5:17 - 5:19あまりないことです
-
5:19 - 5:22もっともTEDxは
もっと自由な雰囲気がありますが -
5:22 - 5:25ご覧いただいたものはみんな
ディープ・ラーニングで実現されました -
5:25 - 5:27(拍手) どうも
-
5:27 - 5:29英語の文字起こしも
ディープ・ラーニングだし -
5:29 - 5:32右上の中国語に翻訳されたテキストも
ディープ・ラーニングによるもので -
5:32 - 5:36音声の合成にも
ディープ・ラーニングが使われています -
5:36 - 5:39ディープ・ラーニングは
このようにすごいものです -
5:39 - 5:42単一のアルゴリズムで
ほとんど何でもできるように見えます -
5:42 - 5:45この1年前にディープ・ラーニングが
「見る」こともできると知りました -
5:45 - 5:50ドイツ道路標識認識ベンチマーク
という奇妙な競技会で -
5:50 - 5:53このような道路標識をディープ・ラーニングで
識別できることが示されました -
5:53 - 5:55他のアルゴリズムよりも
-
5:55 - 5:57上手く識別できた
というだけでなく -
5:57 - 6:00このスコアボードにある通り
2位の人間より -
6:00 - 6:022倍高い精度で
識別できたんです -
6:02 - 6:042011年には
コンピューターが人よりも -
6:04 - 6:07良く見ることができる事例が
生まれたわけです -
6:07 - 6:09それ以来いろんなことが
起きています -
6:09 - 6:132012年にGoogleが発表したんですが
ディープ・ラーニング・アルゴリズムが -
6:13 - 6:14YouTubeビデオを見て
-
6:14 - 6:171万6千台のコンピュータで
1ヶ月 データ処理した結果 -
6:17 - 6:22コンピューターが「人」や
「猫」といった概念を -
6:22 - 6:24自分で学んだということです
-
6:24 - 6:26これは人が学習する方法に
近いものです -
6:26 - 6:29人は見たものを
教えられて学ぶよりは -
6:29 - 6:32むしろそれが何なのか
自分で学んでいくものです -
6:32 - 6:352012年にはまた
先ほど名前の出たジェフリー・ヒントンが -
6:35 - 6:38有名なImageNet競技会で
優勝しましたが -
6:38 - 6:42これは150万の画像を
何の写真か -
6:42 - 6:44判別するというものです
-
6:44 - 6:472014年の時点で
画像認識の誤り率は -
6:47 - 6:496%までになっています
-
6:49 - 6:51これも人間より高い精度です
-
6:51 - 6:55機械はこの面で非常に良い仕事を
するようになっており -
6:55 - 6:57商業的にも
利用されています -
6:57 - 7:00たとえばGoogleは
去年フランス国内のすべての番地を -
7:00 - 7:042時間で地図に登録したと
発表しました -
7:04 - 7:08その方法は
ストリートビューの画像を -
7:08 - 7:12ディープ・ラーニング・アルゴリズムに食わせて
所番地を識別させるというものです -
7:12 - 7:14かつてなら どれほど時間を
要したか分かりません -
7:14 - 7:18何十人掛かりで
何年もかかったでしょう -
7:18 - 7:20こちらは中国の
Baiduによるもので -
7:20 - 7:24中国版のGoogle
のようなサービスです -
7:24 - 7:26左上の画像は
-
7:26 - 7:30私がBaiduのディープ・ラーニング・システムに
アップロードしたものです -
7:30 - 7:34下に並んでいるのは
システムがその画像を理解して -
7:34 - 7:36似た画像を集めた結果です
-
7:36 - 7:39類似画像は
似たような背景や -
7:39 - 7:42似た顔の向きを持ち
同じく舌を出してるものまであります -
7:42 - 7:45ウェブページの文章によって
見つけたものではありません -
7:45 - 7:47アップしたのは
画像だけです -
7:47 - 7:51今やコンピュータは
見た物を理解して -
7:51 - 7:52何億という画像の
データベースから -
7:52 - 7:56リアルタイムで検索できるまでに
なっているのです -
7:56 - 7:59コンピュータに「見る」ことができるというのは
どんな意味を持つのか? -
7:59 - 8:01しかしできるのは
見ることだけではありません -
8:01 - 8:03ディープ・ラーニングには
それ以上のことができます -
8:03 - 8:06このような複雑で
ニュアンスに富んだ文章を -
8:06 - 8:09ディープ・ラーニング・アルゴリズムは
理解できます -
8:09 - 8:10ご覧いただいているのは
-
8:10 - 8:13スタンフォード大のシステムですが
一番上の点が赤色になっていて -
8:13 - 8:17文が全体としてネガティブな感情を
表していることを示しています -
8:17 - 8:20ディープ・ラーニングは今や
文章が何について何を言っているのかを -
8:20 - 8:25人間に近い精度で
理解できるようになっているのです -
8:25 - 8:28ディープ・ラーニングは
中国語を読むのにも使われ -
8:28 - 8:31中国語のネイティブ話者並の
精度があります -
8:31 - 8:33これを開発したのは
スイスのチームですが -
8:33 - 8:37その中に中国語の分かる人は
いなかったそうです -
8:37 - 8:39ディープ・ラーニングは
これに関して -
8:39 - 8:41ネイティブの人間にも劣らない
-
8:41 - 8:46最も優れたシステムなのです
-
8:46 - 8:49これは私の会社で
構築したシステムで -
8:49 - 8:51すべてを組み合わせたものです
-
8:51 - 8:54これらの画像には
テキストが紐付けされてはおらず -
8:54 - 8:56ユーザーが文をタイプすると
-
8:56 - 8:59リアルタイムで画像を理解し
-
8:59 - 9:01何の画像かを判別して
-
9:01 - 9:04書き込まれた文に近い画像を
見つけます -
9:04 - 9:07だから私の書いた文と
これらの画像を -
9:07 - 9:09同時に理解しているわけです
-
9:09 - 9:11Googleのサイトで
似たものを見たことがあるでしょう -
9:11 - 9:14何かタイプすると
画像が表示されますが -
9:14 - 9:18そこで実際に行われているのは
テキストによるウェブページの検索です -
9:18 - 9:21画像を理解するというのとは
ずいぶん違うことです -
9:21 - 9:23このようなことが
できるようになったのは -
9:23 - 9:27ほんのここ数ヶ月のことです
-
9:27 - 9:31コンピューターには「見る」だけでなく
「読む」こともでき -
9:31 - 9:34「聞く」ことによって理解できることも
お見せしました -
9:34 - 9:38そうすると「書く」ことだってできると言っても
驚かないかもしれません -
9:38 - 9:43これは私が昨日 ディープ・ラーニング・
アルゴリズムで生成したテキストです -
9:43 - 9:47こちらはスタンフォード大のアルゴリズムで
生成されたテキストです -
9:47 - 9:48それぞれの画像を
説明する文が -
9:48 - 9:53ディープ・ラーニング・アルゴリズムによって
生成されています -
9:53 - 9:57アルゴリズムは「ギターを弾いている黒いシャツの男」を
前に見たことはありません -
9:57 - 9:59「男」を見たことはあり
「黒い」ものを見たことはあり -
9:59 - 10:01「ギター」を見たことはありますが
-
10:01 - 10:05このキャプションは画像に対して
新しく独自に作り出されたものです -
10:05 - 10:09書くことに関してはコンピューターは
まだ人間に及びませんが 近づいています -
10:09 - 10:13テストでは4回に1回は
コンピューターの生成した文の方が好ましい — -
10:13 - 10:14という結果になっています
-
10:14 - 10:16このシステムはできて
まだ2週間しかたっていないので -
10:16 - 10:18このまま行くと
たぶん来年中には -
10:18 - 10:21コンピューターアルゴリズムの成績が
-
10:21 - 10:23人間を上回るのではと思います
-
10:23 - 10:26だからコンピューターは
書くこともできるのです -
10:26 - 10:29これらをまとめたら
非常に興味深い可能性が開けます -
10:29 - 10:31たとえば医療です
-
10:31 - 10:33あるボストンのチームは
コンピューターによって -
10:33 - 10:36医師が がんの診断を
する上で役に立つ -
10:36 - 10:41何十という腫瘍の特徴を発見したと
発表しました -
10:42 - 10:44同様にスタンフォードのグループは
-
10:44 - 10:48組織の拡大画像を見て
-
10:48 - 10:50がん患者の生存率を
-
10:50 - 10:53人間の病理医よりも
正確に予想する -
10:53 - 10:56機械学習システムを
開発しました -
10:57 - 11:00どちらのケースも
予測が人間より正確というだけでなく -
11:00 - 11:03新たな科学的洞察を
もたらしています -
11:03 - 11:04放射線医学のケースでは
-
11:04 - 11:07人間に理解できる
新しい臨床的な指標です -
11:07 - 11:09病理学のケースでは
-
11:09 - 11:14診断において
がん細胞だけでなく -
11:14 - 11:17がんの周囲の細胞も
重要であることを -
11:17 - 11:19発見しました
-
11:19 - 11:24これは病理医が
何十年も教わってきたのとは逆です -
11:24 - 11:27どちらのケースでも
システムは -
11:27 - 11:31医学の専門家と機械学習の専門家の
組み合わせによって開発されましたが -
11:31 - 11:34去年我々はこの面をも
乗り越えました -
11:34 - 11:37これは顕微鏡で見た
人の組織から -
11:37 - 11:40がんの領域を
識別する例です -
11:40 - 11:44このシステムは
人間の病理医と同じか -
11:44 - 11:47それ以上の精度で
がん領域を識別できますが -
11:47 - 11:51医療の知識や経験のない
チームによって -
11:51 - 11:53ディープ・ラーニングを使って
開発されました -
11:54 - 11:57同様に これは
ニューロンの区分けです -
11:57 - 12:00今ではニューロンを人間と
同じ正確さで区分けできますが -
12:00 - 12:03このシステムは医学を
学んだことのない人々が -
12:03 - 12:06ディープ・ラーニングを使って
開発しました -
12:06 - 12:10医学を学んだことのない人間が
医療の会社を始めるのも -
12:10 - 12:13もはや変なことではないと思え
-
12:13 - 12:16実際に会社を作ることにしました
-
12:16 - 12:17そうするのは
怖くもありましたが -
12:17 - 12:20データ分析技術だけでも
有益な医療サービスは -
12:20 - 12:26提供可能であると
理論は示しているように見えます -
12:26 - 12:28ありがたいことに
大変好意的な反応を受け取っており -
12:28 - 12:31メディアばかりでなく
-
12:31 - 12:33医学界の人々も
支持してくれています -
12:33 - 12:37私たちは医療の
中間部分を受け持って -
12:37 - 12:40そこを可能な限り
データ分析で置き換え -
12:40 - 12:43医師には彼らが最も適した部分をやってもらう
というのが基本方針です -
12:43 - 12:45例をお見せしたいと思います
-
12:45 - 12:49新しい医療診断テストの生成には
現在15分ほどかかります -
12:49 - 12:51それをリアルタイムで
ご覧に入れますが -
12:51 - 12:54一部をはしょって
-
12:54 - 12:563分に縮めてやります
-
12:56 - 12:59医療診断テストを作って
お見せするよりは -
12:59 - 13:01車の画像を診断するテストを
お見せしようと思います -
13:01 - 13:04その方が分かりやすいので
-
13:04 - 13:07150万の車の画像から
始めます -
13:07 - 13:10まず写真を
撮った角度によって -
13:10 - 13:12分類したいと思います
-
13:12 - 13:16画像にラベルはまったく付いておらず
一から始めます -
13:16 - 13:18ディープ・ラーニング・アルゴリズムを使って
-
13:18 - 13:22写っている構造領域を
自動的に識別することができます -
13:22 - 13:25これの良いところは
人とコンピューターで協力して作業できるところです -
13:25 - 13:27ご覧のように
-
13:27 - 13:30人が関心のある領域を
コンピューターに教え -
13:30 - 13:35コンピューターがそれに基づいて
アルゴリズムを改良します -
13:35 - 13:39このディープ・ラーニング・システムは
1万6千次元空間になっていて -
13:39 - 13:43その空間の中で
軸を回転させて -
13:43 - 13:45新たな構造領域を
見つけようとします -
13:45 - 13:46それが成功したら
-
13:46 - 13:50人間が関心のある領域を
指摘します -
13:50 - 13:53コンピューターがうまく
領域を見つけられました -
13:53 - 13:55たとえば角度です
-
13:55 - 13:57このプロセスを経ることで
-
13:57 - 13:59どのような構造を
探しているのか -
13:59 - 14:02徐々に伝えていきます
-
14:02 - 14:03これが病気の診断であれば
-
14:03 - 14:07病理医が病的状態にある領域を
識別するとか -
14:07 - 14:12放射線医が問題のある可能性のある小結節を示す
といったことを想像できるでしょう -
14:12 - 14:14時にアルゴリズムには
難しいこともあります -
14:14 - 14:16今の場合
コンピューターが混乱して -
14:16 - 14:19前部と後部が
ごちゃまぜになっています -
14:19 - 14:21そのため少し注意して
-
14:21 - 14:24手で前部を後部から
選り分けてやらなければなりません -
14:24 - 14:30そうやって
こんなグループに関心があるのだと -
14:30 - 14:31コンピューターに
伝えるのです -
14:31 - 14:34こうやって続けていき
少しはしょりますが -
14:34 - 14:36機械学習アルゴリズムを
改善させるために -
14:36 - 14:38数百の事例を使って
-
14:38 - 14:40訓練してやります
-
14:40 - 14:43画像の一部が
薄れていますが -
14:43 - 14:48これはどう理解すれば良いか
既に認識されたものです -
14:48 - 14:51それから似たイメージという概念を
使ってやることで -
14:51 - 14:53コンピューターが
車の前部だけを -
14:53 - 14:57見つけられるように
なりました -
14:57 - 15:00そうなったら
人間がコンピューターに -
15:00 - 15:02その点で上手くできていることを
教えてやります -
15:03 - 15:05もちろんこの期に及んでも
-
15:05 - 15:09ある種のグループを分離するのが
難しいことがあります -
15:09 - 15:11今の場合 コンピューターに
-
15:11 - 15:14しばらく回転をさせても
-
15:14 - 15:16依然として
左側と右側の画像が -
15:16 - 15:18混在しています
-
15:18 - 15:20コンピューターにもう
少しヒントをやり -
15:20 - 15:23右側と左側を可能な限り
分離できる射影を -
15:23 - 15:25ディープ・ラーニング・
アルゴリズムを使って -
15:25 - 15:28見つけられるようにします
-
15:28 - 15:31そのヒントを与えることで —
上手くいきました -
15:31 - 15:33右側と左側を
見分ける方法を -
15:33 - 15:36どうにか見つけられました
-
15:36 - 15:38基本的な考え方を
分かっていただけたと思います -
15:38 - 15:44これは人間がコンピューターに
置き換えられるという話ではなく — -
15:46 - 15:49人とコンピューターが
協力するということです -
15:49 - 15:53やろうとしているのは
これまでは5、6人のチームで -
15:53 - 15:55何年もかかっていた
ようなことを -
15:55 - 15:571人で15分ほどで
できるようにする -
15:57 - 16:00ということです
-
16:00 - 16:04このプロセスには
4、5回の反復が必要です -
16:04 - 16:06150万の画像を
62%の精度で -
16:06 - 16:08分類できるようになりました
-
16:08 - 16:11そうなったら
-
16:11 - 16:12大きなセクションを選んで
-
16:12 - 16:15誤りがないか
素早くチェックできます -
16:15 - 16:19誤りがあった場合は
コンピューターに教えてやります -
16:19 - 16:22それぞれのグループについて
そういうことを行うことで -
16:22 - 16:25150万の画像を
80%の精度で -
16:25 - 16:27分類できるようになりました
-
16:27 - 16:29そうしたら
-
16:29 - 16:33正しく分類されなかった
少数のケースについて -
16:33 - 16:36その理由を考えます
-
16:36 - 16:37このアプローチを
15分やることで -
16:37 - 16:4197%の精度で
分類できるようになりました -
16:41 - 16:46このようなテクニックは
世界の重要な問題を解決してくれるでしょう -
16:46 - 16:49世界的な医師不足です
-
16:49 - 16:53世界経済フォーラムは
発展途上国において -
16:53 - 16:55医師が今の10倍から20倍必要で
-
16:55 - 16:57それだけの医師を育てるには
-
16:57 - 17:00300年かかると言っています
-
17:00 - 17:03ディープ・ラーニングを使って
医療の効率を上げることで -
17:03 - 17:06対処するというのは
どうでしょう? -
17:06 - 17:08このような機会に
私はワクワクしていますが -
17:08 - 17:11同時に懸念している
こともあります -
17:11 - 17:14地図で青になっている国は
-
17:14 - 17:18雇用の80%以上が
サービス業のところです -
17:18 - 17:19サービスとは何か?
-
17:19 - 17:21このようなものです
-
17:21 - 17:23これらのことは コンピューターが
-
17:23 - 17:26できるようになりつつあること
でもあります -
17:26 - 17:29先進国の雇用の80%は
コンピューターができるようになったことで -
17:29 - 17:31成り立っているのです
-
17:31 - 17:33これは何を
意味するのでしょう? -
17:33 - 17:35「他の仕事で置き換えられるから
問題ないよ -
17:35 - 17:38たとえば
データサイエンティストの仕事とか」 -
17:38 - 17:39と思うかもしれませんが
-
17:39 - 17:42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
そう時間はかかりません -
17:42 - 17:45たとえば今回取り上げた4つのアルゴリズムは
1人の人間によって作られたものです -
17:45 - 17:48こういうことは
以前にも起き -
17:48 - 17:52新しいものが現れては
古い職が新しい職で -
17:52 - 17:54置き換えられてきた
と言うなら -
17:54 - 17:56その新しい職は
どのようなものになるのでしょう? -
17:56 - 17:58とても難しい問題です
-
17:58 - 18:01なぜなら人間の能力は
徐々にしか向上しませんが -
18:01 - 18:03ディープ・ラーニング・
システムの能力は -
18:03 - 18:06指数関数的に
向上しているからです -
18:06 - 18:08私達がいるのは
追い抜かれる一歩手前です -
18:08 - 18:10今は周りを見渡して
-
18:10 - 18:13「コンピューターはまだ馬鹿だ」
と思っていても -
18:13 - 18:165年もしたら
このグラフの天井を突き破ってしまうでしょう -
18:16 - 18:20私たちは今この能力について
考える必要があるのです -
18:20 - 18:22前にも似たことは
経験しています -
18:22 - 18:23産業革命です
-
18:23 - 18:26エンジンの出現による
能力の急激な変化がありました -
18:27 - 18:30しかししばらくすると
物事はまた落ち着きました -
18:30 - 18:32社会的な変動はありましたが
-
18:32 - 18:35あらゆる場面でエンジンが
使われるようになると -
18:35 - 18:38状況は安定したのです
-
18:38 - 18:39機械学習の革命は
-
18:39 - 18:42産業革命とは
全然違うものになるでしょう -
18:42 - 18:45機械学習の革命は
留まることがないからです -
18:45 - 18:48より優れたコンピューターが
知的活動を受け持ち -
18:48 - 18:52それによって 知的活動にさらに優れた
コンピューターが作れるようになり -
18:52 - 18:54世界がかつて
経験したことのないような -
18:54 - 18:57変化を起こすことに
なるでしょう -
18:57 - 19:00何が起こりうるかについての
以前の知見は 当てはまらないのです -
19:00 - 19:02この影響は既に現れています
-
19:02 - 19:06過去25年で
資本生産性は増大しましたが -
19:06 - 19:10労働生産性は平坦で
むしろ少し下がっています -
19:11 - 19:14だから この議論を
今始めて欲しいのです -
19:14 - 19:17私がこの状況を
説明しても -
19:17 - 19:18なかなか真剣に
取り合ってもらえません -
19:18 - 19:20「コンピューターには
本当に思考することはできない」 -
19:20 - 19:23「感情がない」
「詩を理解しない」 -
19:23 - 19:25「我々は腦の働きを本当に理解してはいない」
などなど -
19:25 - 19:27だったら何でしょう?
-
19:27 - 19:29人間がお金をもらい
時間を費やして -
19:29 - 19:31やっていたことが
機械にも可能になっているんです -
19:31 - 19:35この新たな現実を踏まえて
社会構造や経済構造を -
19:35 - 19:37どう調整したら良いか
-
19:37 - 19:39考え始めるべき時です
-
19:39 - 19:41ありがとうございました
-
19:41 - 19:42(拍手)
- Title:
- 自ら学習するコンピュータの素晴らしくも物恐ろしい可能性 | ジェレミー・ハワード | TEDxBrussels
- Description:
-
コンピューターに学び方を教えた時何が起きるのでしょう? 科学技術者であるジェレミー・ハワードが急速に発展しているディープ・ラーニングの分野で起きている驚くべきことを紹介してくれます。コンピューターが中国語を学び、写真に写っている物を認識し、医療診断をする。(あるディープ・ラーニング・プログラムは何時間ものYouTubeビデオを見た後、「猫」の概念を自ら学び取りました。) この分野の最新動向を押さえておくことにしましょう。それは私達の身の回りのコンピューターの振る舞いを変えることになるでしょうから・・・あなたが思っているよりも早く。
※このビデオはTEDカンファレンスとは独立して運営されるTEDxイベントにおいて収録されたものです。 - Video Language:
- English
- Team:
- closed TED
- Project:
- TEDxTalks
- Duration:
- 19:47