WEBVTT 00:00.450 --> 00:01.610 アリソンが知っておくべきこと｡ 00:01.620 --> 00:03.450 そもそもインターネットって何？ 00:04.320 --> 00:07.770 インターネットは､ 巨大なコンピュータネットワークです｡ 00:07.890 --> 00:10.230 今､ 本当に大きくなっているもの｡ 00:10.800 --> 00:11.550 何を言っているんだ､ それは｡ 00:11.940 --> 00:12.320 どのように 00:12.780 --> 00:13.590 何を書き込むのですか？ 00:13.590 --> 00:14.280 メールとか？ 00:14.310 --> 00:14.550 いいえ｡ 00:14.550 --> 00:16.170 多くの人が使い､ コミュニケーションをとっている｡ 00:16.320 --> 00:18.820 NBCのライターやプロデューサーとコミュニケーションが取れるのでしょう｡ 00:18.840 --> 00:21.270 アリソンさん､ インターネットとは何か､ 説明していただけますか？ 00:29.010 --> 00:30.430 なんて素晴らしいんでしょう｡ 00:30.450 --> 00:34.260 20年余り前､ 人々はインターネットが何であるかさえ知りませんでした｡ 00:34.260 --> 00:36.990 そして今日､ 私たちはこの製品がない生活を想像することさえできません｡ 00:37.020 --> 00:39.410 ディープラーニングAtoZコースへようこそ｡ 00:39.420 --> 00:43.190 私はキエラ・ラムコといい､ 共同指導者とともにポンティマスターに身を寄せています｡ 00:43.200 --> 00:48.060 今日は､ ディープラーニングとは何か､ なぜ今ピックアップされているのか､ 00:48.060 --> 00:52.050 簡単に説明します｡ 00:52.050 --> 00:53.520 では､ さっそく始めましょう｡ 00:53.520 --> 00:55.290 なぜ､ そのクリップを見てもらったのか？ 00:55.290 --> 00:57.540 そして､ こちらの写真は何でしょうか？ 00:57.540 --> 01:00.120 まあ､ この映像は1994年のものですが｡ 01:00.150 --> 01:02.910 1980年当時のパソコンの写真です｡ 01:02.910 --> 01:09.450 なぜ歴史を少し掘り下げているかというと､ ニューラルネットワークは､ ディープラーニングとともに､ かなり以前から存在していたのですが､ 01:09.450 --> 01:16.530 今になってようやく盛り上がり､ 世界に影響を与え始めているからです｡ 01:16.530 --> 01:20.850 しかし､ 80年代を振り返ってみると､ 60年代､ 70年代に発明されたものでも､ 01:20.850 --> 01:27.540 本当にトレンドに乗った､ あるいは風を受けたのは80年代なのです｡ 01:27.540 --> 01:30.330 だから､ みんなによく言われるようになったんです｡ 01:30.600 --> 01:35.820 その分野では多くの研究が行われ､ 誰もがディープラーニングやニューラルネットワークは世界に衝撃を与える新しいもので､ 01:35.820 --> 01:42.930 すべてを変え､ 世界の問題をすべて解決してくれると思っていました｡ 01:42.930 --> 01:45.960 そして､ その後10年以上かけてゆっくりと衰退していったという感じです｡ 01:46.140 --> 01:46.890 それでどうなったんですか？ 01:46.890 --> 01:50.790 なぜニューラルネットワークは生き残れなかったのか､ 世界を変えられなかったのか｡ 01:50.850 --> 02:02.250 その理由は､ 「物事の予測にそれほど長けていない」「モデリングにそれほど長けていない」「基本的に良い発明ではない」ということでした｡ 02:02.250 --> 02:03.360 それとも他に理由があるのでしょうか？ 02:03.360 --> 02:13.500 まあ､ 実は､ その理由や原因は目の前にあるのですが､ 当時の技術がニューラルネットワークを促進するのに適した水準に達していなかったということなのでしょう｡ 02:13.500 --> 02:17.790 ニューラルネットワークやディープラーニングを正しく動作させるためには､ 2つのことが必要です｡ 02:17.790 --> 02:21.540 データも必要だし､ 大量のデータも必要だし､ 処理能力も必要です｡ 02:21.540 --> 02:25.770 そのデータを処理し､ ニューラルネットワークを促進するために､ 強力なコンピューターが必要なのです｡ 02:25.770 --> 02:28.260 では､ どのようにすればいいのか､ 見てみましょう｡ 02:29.060 --> 02:34.530 データあるいはデータの保存が年々進化し､ そして技術がどのように進化してきたかを見ていきます｡ 02:34.540 --> 02:38.830 ここでは､ 1956年､ 1980年､ 2017年の3年分を用意したわけです｡ 02:39.760 --> 02:43.090 1956年当時､ ストレージはどのような状態だったのでしょうか｡ 02:43.090 --> 02:49.720 まあ､ ハードディスクもあるし､ そのハードディスクもメガバイトのハードディスクで5待ち程度なんですけどね｡ 02:49.720 --> 02:55.210 小さな部屋ほどの大きさのフォークリフトに､ 5メガバイトも入っているんですよ｡ 02:55.210 --> 03:01.000 それは､ ハードディスクが飛行機で別の場所に運ばれることです｡ 03:01.000 --> 03:07.930 1956年当時のストレージはこんな感じでした｡ ハードディスクを1カ月借りるのに､ 03:07.930 --> 03:15.430 買うのではなくて､ 会社が2.5万ドルも払って借りなければならなかったんです｡ 03:16.150 --> 03:18.700 1980年､ 状況は少し改善された｡ 03:18.700 --> 03:25.090 10メガバイトのハードディスクが3.5千円というのは､ まだ非常に高価で､ 10メガバイトしかないわけです｡ 03:25.090 --> 03:26.860 だから､ 最近は1枚の写真みたいなものですね｡ 03:26.980 --> 03:36.790 そして2017年の今日､ 150ドルで指に収まる256ギガバイトのSDカードを手に入れました｡ 03:36.790 --> 03:43.480 そして､ もしあなたが1年後､ あるいは2019年や2025年のようにこのビデオを見ていたら､ その頃にはさらに強力なストレージ容量を持っているので､ 03:43.480 --> 03:47.170 おそらく一人で笑っていることでしょう｡ 03:47.170 --> 03:49.020 しかし､ それにもかかわらず､ この指摘は有効です｡ 03:49.020 --> 03:58.300 そのため､ 価格やサイズを考慮した上で､ その時々のトレンドの容量で比較することになります｡ 03:58.300 --> 04:08.860 1956年から1980年まで､ 容量は約2倍に増え､ その後､ 約25,600倍になったわけです｡ 04:08.980 --> 04:13.150 そして､ 期間の長さですが､ そんなに変わりません｡ 04:13.150 --> 04:18.700 1956年から1982年までが24年1980年から2017年までが37年ということですね｡ 04:18.700 --> 04:24.610 つまり､ 時間はそれほど増えていませんが､ 技術的な進歩は大きく飛躍しているのです｡ 04:24.610 --> 04:28.120 そして､ これは直線的なトレンドではないことを示すものです｡ 04:28.120 --> 04:30.550 これは､ 技術の飛躍的な成長です｡ 04:30.550 --> 04:36.640 さらに､ 価格やサイズを考慮するために追加すると､ 数百万円の増額になります｡ 04:37.060 --> 04:40.420 そして､ ここでは実際に対数スケールのグラフを掲載しています｡ 04:40.420 --> 04:46.180 そこで､ ギガバイトあたりのハードディスクコストをプロットしてみると､ 次のようになります｡ 04:46.180 --> 04:50.200 今､ あっという間にゼロに近づいているんです｡ 04:50.200 --> 04:55.090 DropboxやGoogle Driveでストレージを取得することができ､ コストがかからない､ クラウドストレージ､ 04:55.390 --> 04:57.160 それはこれからも続くでしょう｡ 04:57.160 --> 05:01.150 そして実際､ 何年もかけて､ これがさらに進んでいくのです｡ 05:01.150 --> 05:05.800 今､ 科学者たちは､ DNAをストレージに利用することを検討しています｡ 05:05.800 --> 05:07.660 しかも今はかなり高い｡ 05:07.660 --> 05:15.100 2メガバイトのデータを合成するのに7000ドル､ それを読み込むのにさらに2000ドルかかるのです｡ 05:15.100 --> 05:19.930 しかし､ ハードディスクや飛行機の状況を考えると､ この方向で行けば､ 10年後､ 05:19.930 --> 05:24.670 20年後､ 誰もがDNAストレージを使うようになり､ 指数関数的なカーブを描いて､ 05:24.670 --> 05:28.420 非常に早く緩和されることになるでしょうね｡ 05:28.420 --> 05:29.890 そして､ その周辺の統計データを紹介します｡ 05:29.890 --> 05:35.320 さらに詳しく知りたい場合は､ このビデオを一時停止してください｡ 05:35.320 --> 05:36.760 これはネイチャー・ドット・コムからです｡ 05:36.760 --> 05:49.300 つまり､ 1グラムのDNAストレージに約10億テラバイトのデータを保存することができるのです｡ 05:49.300 --> 05:56.080 これは､ 私たちの進歩がいかに速いかを示すもので､ 超クールで超高性能なモデルを学習させるのに十分なデータがようやく揃った段階になって､ 05:56.080 --> 06:04.060 深層学習が盛り上がってきたということです｡ 06:04.060 --> 06:08.200 当時､ 80年代に初めて発明されたときは､ そうではありませんでした｡ 06:08.470 --> 06:12.700 そして2つ目は､ 処理能力の話です｡ 06:12.700 --> 06:17.770 ここで､ 対数スケールで再び指数曲線を描いてみましょう｡ 06:17.800 --> 06:24.340 ここでは理想的に描かれていませんが､ 右側は対数スケールで､ このようにコンピュータは進化してきたことが分かります｡ 06:24.340 --> 06:26.290 それでは､ もう一度､ このスライドを自由に一時停止してください｡ 06:26.290 --> 06:27.340 これをムーアの法則という｡ 06:27.370 --> 06:34.090 コンピュータの処理能力がいかに早く進化しているかは､ 皆さんもご存知の通りです｡ 06:34.210 --> 06:39.940 今､ 私たちは､ 1000ドルで買える平均的なコンピューターが､ ネズミの脳のスピードで考え､ 06:39.940 --> 06:47.560 25の間に人間か23の間のスピードになるようなところにいます｡ 06:47.560 --> 06:54.640 そして､ 2050年か2045年には全人類を合算して上回ることになるのです｡ 06:54.640 --> 07:05.590 つまり､ 私たちが想像するよりもはるかに速く物事を処理できる､ 非常に強力なコンピュータの時代が到来しているのです｡ 07:05.590 --> 07:08.410 そしてそれこそが､ ディープラーニングを促進しているのです｡ 07:08.410 --> 07:11.890 さて､ これらのことから､ ディープラーニングとは何かという疑問が湧いてきます｡ 07:11.890 --> 07:15.340 ニューラルネットワークというのは､ どういう状況なんですか？ 07:15.340 --> 07:16.750 何がどうなっているのでしょうか｡ 07:16.750 --> 07:18.130 ここで何の話をしてるんだ？ 07:18.130 --> 07:21.490 と､ こんな感じの写真､ 見たことあると思いますので､ 飛び込んでみましょう｡ 07:21.490 --> 07:22.570 ディープラーニングとは？ 07:23.320 --> 07:28.150 こちらのジェフリー・ヒントンさんは､ ディープのゴッドファーザーと呼ばれている方です｡ 07:28.290 --> 07:33.390 学習で､ 80年代にはディープラーニングの研究をしていました｡ 07:33.390 --> 07:41.010 そして､ 彼はたくさんの仕事をし､ たくさんの研究論文を『Deep Learning』に発表しています｡ 07:41.010 --> 07:42.810 今はグーグルに勤めている｡ 07:42.810 --> 07:48.180 ですから､ これからお話しすることの多くは､ 実はGeoffrey Hintonから来たものなのです｡ 07:48.210 --> 07:49.770 YouTubeにかなりの数の動画があるそうです｡ 07:49.770 --> 07:51.270 本当によく説明してくれるんです｡ 07:51.270 --> 07:53.900 だから､ ぜひチェックしてみてほしい｡ 07:53.910 --> 08:03.240 ディープラーニングの背後にある考え方は､ 人間の脳に注目することであり､ このチュートリアルでは神経科学をかなり取り上げることになるでしょう｡ 08:03.240 --> 08:09.240 そして､ 私たちがここでやろうとしているのは､ 人間の脳の働きを模倣することなのです｡ 08:09.240 --> 08:10.920 そして､ 私たちはそこまでわかっていないのです｡ 08:10.920 --> 08:14.940 人間の脳についてすべてを知っているわけではありませんが､ そのわずかな知識から､ それを模倣し､ 08:14.940 --> 08:16.650 再現したいと思うのです｡ 08:16.650 --> 08:17.160 それはなぜか？ 08:17.160 --> 08:25.020 なぜなら､ 人間の脳は､ この地球上で最も強力な学習ツールであり､ 学習し､ スキルを適応させ､ そしてそれを応用するためのツールであると思われるからです｡ 08:25.020 --> 08:32.910 それをコンピュータがコピーできれば､ 自然淘汰がすでに決めたことを活用すればいいわけです｡ 08:32.910 --> 08:36.750 そのようなアルゴリズムの中から､ 最適と判断されるものをすべて選んでいます｡ 08:36.750 --> 08:37.770 それを活用していくだけです｡ 08:37.770 --> 08:39.210 なぜ､ 自転車を再発明するのか？ 08:39.210 --> 08:39.590 そうですね｡ 08:39.630 --> 08:41.880 では､ ここでどう動くか見てみましょう｡ 08:41.880 --> 08:44.490 神経細胞もある 08:44.490 --> 08:52.020 これは､ ガラスに塗られた神経細胞を､ 何らかの着色をして顕微鏡で見たものです｡ 08:52.020 --> 08:54.210 そして､ このような姿になるのです｡ 08:54.210 --> 08:58.470 胴体があって､ 枝があって､ 尻尾があって......といった具合です｡ 08:58.470 --> 08:59.520 だから､ 見ることができるのです｡ 08:59.520 --> 09:01.620 真ん中に核のようなものが入っているんです｡ 09:01.620 --> 09:06.840 これが､ 人間の脳の神経細胞の基本的な姿なのです｡ 09:06.840 --> 09:10.500 神経細胞は全部で約1,000億個あるそうです｡ 09:10.500 --> 09:11.700 これが個々の神経細胞なんですね｡ 09:11.700 --> 09:15.240 これは運動ニューロンで､ 大きくて見やすいからです｡ 09:15.240 --> 09:23.880 しかし､ それでも人間の脳には1,000億個の神経細胞があり､ 1つの神経細胞は約1,000もの隣の神経細胞とつながっているのです｡ 09:23.880 --> 09:26.520 では､ イメージをお伝えするために､ こんな感じです｡ 09:26.520 --> 09:31.890 これは､ 人間の脳の実際の断面図です｡ 09:31.890 --> 09:38.880 そして､ これが小脳で､ 脳の奥にあるこの部分です｡ 09:38.880 --> 09:47.610 行列のようなもの､ バランスを保つためのもの､ 言語能力のようなものを担っているのです｡ 09:47.610 --> 09:54.870 つまり､ これは神経細胞がいかに膨大であるか､ いかに多いかを示すものです｡ 09:54.900 --> 09:58.720 脳内では何十億もの神経細胞がつながっているようなものです｡ 09:58.720 --> 10:02.520 だから､ 5人とか500人とか1000人とか100万人とかいう話ではないんです｡ 10:02.520 --> 10:04.230 これは何十億という神経細胞があるんですよ｡ 10:04.560 --> 10:08.250 そう､ だから､ それを再現しようと思っているんです｡ 10:08.250 --> 10:11.640 では､ これをコンピュータの中でどう再現するか｡ 10:11.640 --> 10:23.400 さて､ 人工神経網と呼ばれる人工的な構造を作り､ ノードやニューロンを用意し､ 入力値としていくつかのニューロンを用意します｡ 10:23.400 --> 10:27.270 つまり､ これはある状況について知っている自分の価値観なのです｡ 10:27.270 --> 10:31.170 例えば､ 何かをモデリングして､ 何かを予測する場合､ 必ず何らかの入力､ 10:31.170 --> 10:34.950 つまり予測を開始するための何かが必要です｡ 10:35.130 --> 10:37.890 そして､ これが入力層と呼ばれるもので､ 次に出力があります｡ 10:37.890 --> 10:43.230 つまり､ 予測したいのは価値なのか､ 驚きなのか､ 誰かが銀行を出て行くのか､ それとも銀行に残るのか､ 10:43.230 --> 10:47.850 これは詐欺的な取引なのか､ ということです｡ 10:47.850 --> 10:49.410 これは本当の取引なのでしょうか？ 10:49.410 --> 10:50.280 といった具合に｡ 10:50.700 --> 10:52.350 これが出力層になるわけですね｡ 10:52.350 --> 10:55.260 そして､ その間に隠しレイヤーを用意するのです｡ 10:55.260 --> 10:59.670 ですから､ 脳を見ればわかるように､ 非常に多くの神経細胞があります｡ 10:59.670 --> 11:03.240 目､ 耳､ 鼻から入ってくる情報もあるわけです｡ 11:03.300 --> 11:04.860 基本的には自分の感覚なんですね｡ 11:04.860 --> 11:09.180 そして､ 自分が持っているものをすぐに出力するのではないのです｡ 11:09.180 --> 11:14.460 その結果は､ 出力に至るまでに､ これらの何十億､ 何百億､ 何千億というニューロンを通過することになります｡ 11:14.460 --> 11:16.980 そしてこれが､ 脳をモデル化するという全体のコンセプトです｡ 11:16.980 --> 11:20.520 だから､ 出力の前にある隠れ層が必要なんです｡ 11:20.520 --> 11:26.490 つまり､ 入力層､ 隠れ層のニューロンに接続されたニューロン､ 出力値に接続された隠れ層のニューロンです｡ 11:26.640 --> 11:29.220 それで､ これはこれでカッコいいんですよ｡ 11:29.220 --> 11:30.480 しかし､ これは一体どういうことなのでしょうか？ 11:30.480 --> 11:32.040 ディープラーニングはどこにあるのでしょうか？ 11:32.040 --> 11:32.820 なぜディープラーニングと呼ばれるのですか？ 11:32.820 --> 11:33.900 深い意味はないんです 11:33.900 --> 11:39.390 まあ､ これはシャローラーニングと呼ばれるオプションのようなものですね｡ 11:39.690 --> 11:41.670 確かにあまりないですね｡ 11:41.670 --> 11:43.380 しかし､ なぜディープラーニングと呼ばれるのでしょうか？ 11:43.380 --> 11:45.960 まあ､ その後に次の段階に進むわけですから｡ 11:45.960 --> 11:48.180 それをさらに分離するのです｡ 11:48.180 --> 11:50.730 しかも､ 隠れ層は1つだけではありません｡ 11:50.730 --> 11:57.720 たくさんたくさん隠れたレイヤーがあって､ それを全部つなげていくんです｡ 11:57.720 --> 12:01.830 人間の脳と同じように､ あらゆるものを相互に関連づけているのです｡ 12:01.830 --> 12:08.550 こうして入力された値は､ 人間の脳と同じように､ すべての隠れ層を通して処理されるわけです｡ 12:08.550 --> 12:12.300 そして､ 出力値があり､ 今はディープラーニングの話をしています｡ 12:12.300 --> 12:15.780 つまり､ ディープラーニングとは､ 非常に抽象的なレベルの話なのです｡ 12:15.780 --> 12:21.120 さらなるチュートリアルでは､ ディープラーニングを解剖し､ 深く掘り下げていきます｡ このチュートリアルが終わる頃には､ ディープラーニングがどのようなものかを知り､ 12:21.120 --> 12:26.460 あなたのプロジェクトでどのように適用すればよいかを知ることができるでしょう｡ 12:26.460 --> 12:27.930 このカーンに超期待 12:28.040 --> 12:31.790 次のチュートリアルでお会いできるのを楽しみに待っています｡ 12:31.820 --> 12:33.830 それまでは､ ディープラーニングを楽しんでください｡