TED2015
Fei-Fei Li: How we're teaching computers to understand pictures
페이페이 리: 어떻게 컴퓨터가 사진을 이해하게 되었는가
Filmed:
Readability: 4.5
2,702,344 views
어린이가 사진을 볼 때, '고양이', '책', '의자'와 같이 단순한 것을 식별할 수 있습니다. 이제 컴퓨터도 그런 것을 할 수 있습니다. 그 다음은 뭘까요? 이 흥미로운 발표에서, 컴퓨터 비전 전문가 페이페이 리는 컴퓨터를 가르치는데 사용한 1천5백만장 사진 데이터베이스 이야기와 함께 기술의 현재와 다가올 미래에 대한 통찰을 설명합니다.
Fei-Fei Li - Computer scientist
As Director of Stanford’s Artificial Intelligence Lab and Vision Lab, Fei-Fei Li is working to solve AI’s trickiest problems -- including image recognition, learning and language processing. Full bio
As Director of Stanford’s Artificial Intelligence Lab and Vision Lab, Fei-Fei Li is working to solve AI’s trickiest problems -- including image recognition, learning and language processing. Full bio
Double-click the English transcript below to play the video.
00:14
Let me show you something.
0
2366
3738
이걸 보시죠.
00:18
(Video) Girl: Okay, that's a cat
sitting in a bed.
sitting in a bed.
1
6104
4156
(영상) 소녀: "고양이가
침대에 앉아 있습니다."
침대에 앉아 있습니다."
00:22
The boy is petting the elephant.
2
10260
4040
"소년이 코끼리를 쓰다듬고 있습니다."
00:26
Those are people
that are going on an airplane.
that are going on an airplane.
3
14300
4354
"사람들이 비행기에 타고 있습니다."
"큰 비행기입니다."
00:30
That's a big airplane.
4
18654
2810
이건 세 살짜리 아이가
사진을 보고 설명하는 것입니다.
사진을 보고 설명하는 것입니다.
00:33
Fei-Fei Li: This is
a three-year-old child
a three-year-old child
5
21464
2206
00:35
describing what she sees
in a series of photos.
in a series of photos.
6
23670
3679
00:39
She might still have a lot
to learn about this world,
to learn about this world,
7
27349
2845
그녀는 아직 이 세상에 대해
배울 것이 많지만,
배울 것이 많지만,
00:42
but she's already an expert
at one very important task:
at one very important task:
8
30194
4549
한 가지 일에서만큼은
이미 전문가 수준입니다.
이미 전문가 수준입니다.
00:46
to make sense of what she sees.
9
34743
2846
본 것을 이해하는 일이죠.
00:50
Our society is more
technologically advanced than ever.
technologically advanced than ever.
10
38229
4226
우리 사회는 그 어느 때보다
기술적으로 진보하고 있습니다.
기술적으로 진보하고 있습니다.
00:54
We send people to the moon,
we make phones that talk to us
we make phones that talk to us
11
42455
3629
우리는 달에 사람을 보내고,
말을 하는 전화를 만들거나
말을 하는 전화를 만들거나
00:58
or customize radio stations
that can play only music we like.
that can play only music we like.
12
46084
4946
좋아하는 곡만 방송하는
맞춤형 라디오를 만듭니다.
맞춤형 라디오를 만듭니다.
01:03
Yet, our most advanced
machines and computers
machines and computers
13
51030
4055
그러나 첨단 기계와 컴퓨터로도
01:07
still struggle at this task.
14
55085
2903
애를 먹는 일이 있습니다.
01:09
So I'm here today
to give you a progress report
to give you a progress report
15
57988
3459
저는 오늘 컴퓨터 비전 연구의
01:13
on the latest advances
in our research in computer vision,
in our research in computer vision,
16
61447
4047
최신 동향에 대해 말하고자 합니다
01:17
one of the most frontier
and potentially revolutionary
and potentially revolutionary
17
65494
4161
컴퓨터 과학에서 가장
선도적이고 혁명적인 기술이죠.
선도적이고 혁명적인 기술이죠.
01:21
technologies in computer science.
18
69655
3206
01:24
Yes, we have prototyped cars
that can drive by themselves,
that can drive by themselves,
19
72861
4551
스스로 운전하는 자동차
시험판을 만들더라도
시험판을 만들더라도
01:29
but without smart vision,
they cannot really tell the difference
they cannot really tell the difference
20
77412
3853
똑똑한 인식 능력이 없다면
01:33
between a crumpled paper bag
on the road, which can be run over,
on the road, which can be run over,
21
81265
3970
도로 위에 있는 것이
밟아도 될 종이 봉투인지
밟아도 될 종이 봉투인지
01:37
and a rock that size,
which should be avoided.
which should be avoided.
22
85235
3340
피해야 할 돌덩이인지
구분할 수 없습니다.
구분할 수 없습니다.
01:41
We have made fabulous megapixel cameras,
23
89415
3390
수백만 화소의 엄청난
카메라를 만들더라도
카메라를 만들더라도
01:44
but we have not delivered
sight to the blind.
sight to the blind.
24
92805
3135
시각장애인의 눈이 되지는 못합니다.
01:48
Drones can fly over massive land,
25
96420
3305
무인기가 광활한 땅을 날 수 있어도
01:51
but don't have enough vision technology
26
99725
2134
컴퓨터 비전 기술이 없으면
01:53
to help us to track
the changes of the rainforests.
the changes of the rainforests.
27
101859
3461
열대 우림의 변화를 추적하지 못합니다.
01:57
Security cameras are everywhere,
28
105320
2950
감시 카메라가 도처에 있어도
02:00
but they do not alert us when a child
is drowning in a swimming pool.
is drowning in a swimming pool.
29
108270
5067
수영장에서 물에 빠진 아이를 보고
우리에게 경고해 주지는 않습니다.
우리에게 경고해 주지는 않습니다.
02:06
Photos and videos are becoming
an integral part of global life.
an integral part of global life.
30
114167
5595
사진과 비디오는 지구 생활의
불가결한 부분이 되고 있습니다.
불가결한 부분이 되고 있습니다.
02:11
They're being generated at a pace
that's far beyond what any human,
that's far beyond what any human,
31
119762
4087
어떤 개인이나 단체가
다 볼 수 없을 분량의
다 볼 수 없을 분량의
02:15
or teams of humans, could hope to view,
32
123849
2783
영상이 만들어지고 있습니다.
02:18
and you and I are contributing
to that at this TED.
to that at this TED.
33
126632
3921
여기 TED도 일조하고 있지요.
02:22
Yet our most advanced software
is still struggling at understanding
is still struggling at understanding
34
130553
5232
그러나 가장 진보한
소프트웨어도 아직까지는
소프트웨어도 아직까지는
02:27
and managing this enormous content.
35
135785
3876
이 방대한 영상을 이해하고
관리하는데 애를 먹고 있습니다.
관리하는데 애를 먹고 있습니다.
02:31
So in other words,
collectively as a society,
collectively as a society,
36
139661
5272
달리 말하자면 사회 전체적으로
02:36
we're very much blind,
37
144933
1746
우리는 장님과 같습니다.
02:38
because our smartest
machines are still blind.
machines are still blind.
38
146679
3387
우리의 가장 똑똑한 기계가
아직까지 장님이니까요.
아직까지 장님이니까요.
02:43
"Why is this so hard?" you may ask.
39
151526
2926
"그게 왜 어렵지?" 하고
물으실 수 있어요.
물으실 수 있어요.
02:46
Cameras can take pictures like this one
40
154452
2693
카메라는 이런 사진을 찍을 수 있고
02:49
by converting lights into
a two-dimensional array of numbers
a two-dimensional array of numbers
41
157145
3994
빛을 숫자의 2차원 배열인
02:53
known as pixels,
42
161139
1650
픽셀로 변환할 수 있지만,
02:54
but these are just lifeless numbers.
43
162789
2251
이는 그저 죽은 숫자일 뿐입니다.
02:57
They do not carry meaning in themselves.
44
165040
3111
그 자체에 의미는 없습니다.
03:00
Just like to hear is not
the same as to listen,
the same as to listen,
45
168151
4343
'들리는' 것과 '듣는' 것이
똑같지 않듯이
똑같지 않듯이
03:04
to take pictures is not
the same as to see,
the same as to see,
46
172494
4040
사진을 '찍는' 것과 '보는' 것은
똑같지 않습니다.
똑같지 않습니다.
03:08
and by seeing,
we really mean understanding.
we really mean understanding.
47
176534
3829
'본다'는 말에는
'이해한다'는 뜻이 있습니다.
'이해한다'는 뜻이 있습니다.
03:13
In fact, it took Mother Nature
540 million years of hard work
540 million years of hard work
48
181293
6177
사실 자연은 5억 4천만년에 걸쳐
03:19
to do this task,
49
187470
1973
이 작업을 했는데요.
03:21
and much of that effort
50
189443
1881
그 노력의 대부분은
03:23
went into developing the visual
processing apparatus of our brains,
processing apparatus of our brains,
51
191324
5271
우리 뇌의 시각처리능력을
발달시키는데 소요되었고
발달시키는데 소요되었고
03:28
not the eyes themselves.
52
196595
2647
눈을 만드는데 소요되지 않았습니다.
03:31
So vision begins with the eyes,
53
199242
2747
시각현상은 눈에서 시작되지만
03:33
but it truly takes place in the brain.
54
201989
3518
사실상 나타나는 곳은 뇌 안쪽이죠.
03:38
So for 15 years now, starting
from my Ph.D. at Caltech
from my Ph.D. at Caltech
55
206287
5060
저는 최근 15년간 캘리포니아
공대 박사 과정에서부터
공대 박사 과정에서부터
03:43
and then leading Stanford's Vision Lab,
56
211347
2926
스탠포드대 컴퓨터
비전 연구실을 이끌기까지
비전 연구실을 이끌기까지
03:46
I've been working with my mentors,
collaborators and students
collaborators and students
57
214273
4396
지도교수, 공동연구자, 학생들과 함께
03:50
to teach computers to see.
58
218669
2889
컴퓨터에게 '보는 법'을
가르쳐왔습니다.
가르쳐왔습니다.
03:54
Our research field is called
computer vision and machine learning.
computer vision and machine learning.
59
222658
3294
저희 연구 분야를 컴퓨터 비전과
기계 학습이라고 합니다.
기계 학습이라고 합니다.
03:57
It's part of the general field
of artificial intelligence.
of artificial intelligence.
60
225952
3878
인공지능 일반 분야에 속하죠.
04:03
So ultimately, we want to teach
the machines to see just like we do:
the machines to see just like we do:
61
231000
5493
궁극적으로 우리는 기계가
인간처럼 볼 수 있게 하려고 합니다.
인간처럼 볼 수 있게 하려고 합니다.
04:08
naming objects, identifying people,
inferring 3D geometry of things,
inferring 3D geometry of things,
62
236493
5387
물체와 사람을 식별하고,
3차원 기하구조를 추측하고,
3차원 기하구조를 추측하고,
04:13
understanding relations, emotions,
actions and intentions.
actions and intentions.
63
241880
5688
관계, 감정, 행동과 의도를
이해하게 하는 겁니다.
이해하게 하는 겁니다.
04:19
You and I weave together entire stories
of people, places and things
of people, places and things
64
247568
6153
여러분과 저는 한번 보기만 해도
04:25
the moment we lay our gaze on them.
65
253721
2164
사람, 장소, 사물로
이야기를 엮어낼 수 있습니다.
이야기를 엮어낼 수 있습니다.
이런 목표를 향한 첫걸음이
컴퓨터를 가르쳐
컴퓨터를 가르쳐
04:28
The first step towards this goal
is to teach a computer to see objects,
is to teach a computer to see objects,
66
256955
5583
04:34
the building block of the visual world.
67
262538
3368
사물, 시각 세계의 구성요소를
보게 하는 것입니다.
보게 하는 것입니다.
04:37
In its simplest terms,
imagine this teaching process
imagine this teaching process
68
265906
4434
간단히 말해, 이런 학습 과정을
상상해보세요.
상상해보세요.
04:42
as showing the computers
some training images
some training images
69
270340
2995
컴퓨터에 특정 사물의
훈련용 이미지를 보여줍니다.
훈련용 이미지를 보여줍니다.
04:45
of a particular object, let's say cats,
70
273335
3321
고양이라고 해보죠.
04:48
and designing a model that learns
from these training images.
from these training images.
71
276656
4737
그리고 그 훈련용 이미지로
학습하는 모델을 설계합니다.
학습하는 모델을 설계합니다.
04:53
How hard can this be?
72
281393
2044
간단하게 들리는데요.
얼마나 어려울 수 있을까요?
얼마나 어려울 수 있을까요?
04:55
After all, a cat is just
a collection of shapes and colors,
a collection of shapes and colors,
73
283437
4052
고양이는 모양과 색깔의 집합이고,
04:59
and this is what we did
in the early days of object modeling.
in the early days of object modeling.
74
287489
4086
이것이 우리가 초창기
객체 모델링으로 한 일이죠.
객체 모델링으로 한 일이죠.
05:03
We'd tell the computer algorithm
in a mathematical language
in a mathematical language
75
291575
3622
우리는 컴퓨터 알고리즘을
수학적 언어로 표현합니다.
수학적 언어로 표현합니다.
05:07
that a cat has a round face,
a chubby body,
a chubby body,
76
295197
3343
고양이는 둥근 얼굴과 통통한 몸,
05:10
two pointy ears, and a long tail,
77
298540
2299
두 개의 뾰족한 귀,
긴 꼬리가 있다고 가르칩니다.
긴 꼬리가 있다고 가르칩니다.
05:12
and that looked all fine.
78
300839
1410
다 괜찮아 보였습니다.
05:14
But what about this cat?
79
302859
2113
그런데 이 고양이는 어떨까요?
05:16
(Laughter)
80
304972
1091
(웃음)
05:18
It's all curled up.
81
306063
1626
몸을 말고 있습니다.
05:19
Now you have to add another shape
and viewpoint to the object model.
and viewpoint to the object model.
82
307689
4719
이제 객체 모델에 다른 모양과
관점을 추가합니다.
관점을 추가합니다.
05:24
But what if cats are hidden?
83
312408
1715
그런데 만약 고양이가 숨어 있으면요?
05:27
What about these silly cats?
84
315143
2219
이런 웃기는 고양이들은요?
05:31
Now you get my point.
85
319112
2417
이제 제 말을 아시겠죠.
05:33
Even something as simple
as a household pet
as a household pet
86
321529
3367
집안의 애완동물처럼 단순한 사물조차
05:36
can present an infinite number
of variations to the object model,
of variations to the object model,
87
324896
4504
객체 모델에 무한한 변형이
존재할 수 있고,
존재할 수 있고,
05:41
and that's just one object.
88
329400
2233
그게 한 개의 객체일 뿐이죠.
05:44
So about eight years ago,
89
332573
2492
약 8년 전
05:47
a very simple and profound observation
changed my thinking.
changed my thinking.
90
335065
5030
단순하고도 깊은 관찰이
제 생각을 바꾸었습니다.
제 생각을 바꾸었습니다.
05:53
No one tells a child how to see,
91
341425
2685
아이에게 보는 법을 가르칠 순 없죠.
05:56
especially in the early years.
92
344110
2261
특히 어린 시절에 말이죠.
05:58
They learn this through
real-world experiences and examples.
real-world experiences and examples.
93
346371
5000
아이들은 현실세계의 경험과
사례로 보는 법을 배웁니다.
사례로 보는 법을 배웁니다.
06:03
If you consider a child's eyes
94
351371
2740
만약 아이의 눈을
06:06
as a pair of biological cameras,
95
354111
2554
생물학적 카메라 한쌍이라 치면
06:08
they take one picture
about every 200 milliseconds,
about every 200 milliseconds,
96
356665
4180
200밀리초마다 한 장씩
사진을 찍는 셈이죠.
사진을 찍는 셈이죠.
06:12
the average time an eye movement is made.
97
360845
3134
눈이 움직이는 평균 시간이에요.
06:15
So by age three, a child would have seen
hundreds of millions of pictures
hundreds of millions of pictures
98
363979
5550
아이는 세 살까지 수억장의
현실세계 사진을 보게 됩니다.
현실세계 사진을 보게 됩니다.
06:21
of the real world.
99
369529
1834
방대한 양의 학습 사례죠.
06:23
That's a lot of training examples.
100
371363
2280
06:26
So instead of focusing solely
on better and better algorithms,
on better and better algorithms,
101
374383
5989
그래서 제 생각엔 더 나은
알고리즘에만 집중하기보다,
알고리즘에만 집중하기보다,
06:32
my insight was to give the algorithms
the kind of training data
the kind of training data
102
380372
5272
알고리즘에 주는 학습 데이터를
06:37
that a child was given through experiences
103
385644
3319
아이가 경험하는 것과 같이
만들어야 했습니다.
만들어야 했습니다.
06:40
in both quantity and quality.
104
388963
3878
양적으로나 질적으로 말이죠.
06:44
Once we know this,
105
392841
1858
이걸 알게 되자,
06:46
we knew we needed to collect a data set
106
394699
2971
우리는 이전보다 훨씬 많은
데이터를 모아야 했습니다.
데이터를 모아야 했습니다.
06:49
that has far more images
than we have ever had before,
than we have ever had before,
107
397670
4459
06:54
perhaps thousands of times more,
108
402129
2577
거의 수천배였죠.
06:56
and together with Professor
Kai Li at Princeton University,
Kai Li at Princeton University,
109
404706
4111
그래서 전 프린스턴 대학의
카이 리 교수와 함께
카이 리 교수와 함께
07:00
we launched the ImageNet project in 2007.
110
408817
4752
2007년 이미지넷 프로젝트를
시작했습니다.
시작했습니다.
07:05
Luckily, we didn't have to mount
a camera on our head
a camera on our head
111
413569
3838
다행히도 우리는
머리에 카메라를 매달고
머리에 카메라를 매달고
07:09
and wait for many years.
112
417407
1764
몇년씩 기다릴 필요는 없었습니다.
07:11
We went to the Internet,
113
419171
1463
인터넷이 있었거든요.
07:12
the biggest treasure trove of pictures
that humans have ever created.
that humans have ever created.
114
420634
4436
인류가 만든 최대의 사진 창고죠.
07:17
We downloaded nearly a billion images
115
425070
3041
우리는 거의 10억장의 이미지를
다운로드했고
다운로드했고
07:20
and used crowdsourcing technology
like the Amazon Mechanical Turk platform
like the Amazon Mechanical Turk platform
116
428111
5880
아마존 MTurk 같은
크라우드 소싱 기술을 사용해
크라우드 소싱 기술을 사용해
07:25
to help us to label these images.
117
433991
2339
이미지에 라벨을 붙였습니다.
07:28
At its peak, ImageNet was one of
the biggest employers
the biggest employers
118
436330
4900
가장 최고치에서는 이미지넷이
07:33
of the Amazon Mechanical Turk workers:
119
441230
2996
아마존 MTurk 일꾼들의
최대 고용주였습니다.
최대 고용주였습니다.
07:36
together, almost 50,000 workers
120
444226
3854
5만명 가까운 작업자가
07:40
from 167 countries around the world
121
448080
4040
세계 167개국에서
07:44
helped us to clean, sort and label
122
452120
3947
약 10억장의 후보 이미지의
07:48
nearly a billion candidate images.
123
456067
3575
정리 분류 작업을 도왔습니다.
07:52
That was how much effort it took
124
460612
2653
아이의 성장 초기에
07:55
to capture even a fraction
of the imagery
of the imagery
125
463265
3900
이미지의 일부라도 수집하는데
07:59
a child's mind takes in
in the early developmental years.
in the early developmental years.
126
467165
4171
얼마나 많은 노력이 드는가
하는 것과 같았죠.
하는 것과 같았죠.
08:04
In hindsight, this idea of using big data
127
472148
3902
지나고 보니, 컴퓨터 알고리즘의 훈련에
08:08
to train computer algorithms
may seem obvious now,
may seem obvious now,
128
476050
4550
빅데이터를 사용한다는 아이디어는
이제 확실한 것 같습니다만,
이제 확실한 것 같습니다만,
08:12
but back in 2007, it was not so obvious.
129
480600
4110
2007년 당시에는 그렇지 않았습니다.
08:16
We were fairly alone on this journey
for quite a while.
for quite a while.
130
484710
3878
우리 혼자 이런 일을 한 게
꽤 오래 됐습니다.
꽤 오래 됐습니다.
08:20
Some very friendly colleagues advised me
to do something more useful for my tenure,
to do something more useful for my tenure,
131
488588
5003
친절한 동료는 종신교수가 되려면
더 유용한 일을 하라고 조언했고,
더 유용한 일을 하라고 조언했고,
08:25
and we were constantly struggling
for research funding.
for research funding.
132
493591
4342
우리는 늘 연구 자금 문제에 시달렸죠.
08:29
Once, I even joked to my graduate students
133
497933
2485
저는 이미지넷의 자금 조달을 위해
세탁소를 다시 열어야겠다고
세탁소를 다시 열어야겠다고
08:32
that I would just reopen
my dry cleaner's shop to fund ImageNet.
my dry cleaner's shop to fund ImageNet.
134
500418
4063
대학원생들에게 농담을 했죠.
08:36
After all, that's how I funded
my college years.
my college years.
135
504481
4761
제가 대학 학비를 마련한 방법이거든요.
08:41
So we carried on.
136
509242
1856
우리는 계속 진행했습니다.
08:43
In 2009, the ImageNet project delivered
137
511098
3715
2009년에 이미지넷 프로젝트는
08:46
a database of 15 million images
138
514813
4042
객체와 사물을 2만2천개 범주로 분류한
08:50
across 22,000 classes
of objects and things
of objects and things
139
518855
4805
1천5백만장 이미지의
데이터베이스를 만들었고
데이터베이스를 만들었고
일상적인 영단어로 표현했습니다.
08:55
organized by everyday English words.
140
523660
3320
08:58
In both quantity and quality,
141
526980
2926
양적으로나 질적으로나
09:01
this was an unprecedented scale.
142
529906
2972
전례 없는 규모였죠.
09:04
As an example, in the case of cats,
143
532878
3461
예를 들어, 고양이의 경우
09:08
we have more than 62,000 cats
144
536339
2809
6만 2천장의 이미지가
09:11
of all kinds of looks and poses
145
539148
4110
다양한 모양과 자세,
09:15
and across all species
of domestic and wild cats.
of domestic and wild cats.
146
543258
5223
집고양이부터 들고양이까지
모든 종류를 망라합니다.
모든 종류를 망라합니다.
09:20
We were thrilled
to have put together ImageNet,
to have put together ImageNet,
147
548481
3344
우리는 이미지넷을 만든 것에 흥분했고
09:23
and we wanted the whole research world
to benefit from it,
to benefit from it,
148
551825
3738
모든 연구자들과 혜택을
나누고자 했습니다.
나누고자 했습니다.
09:27
so in the TED fashion,
we opened up the entire data set
we opened up the entire data set
149
555563
4041
그래서 TED 방식으로 모든 데이터를
09:31
to the worldwide
research community for free.
research community for free.
150
559604
3592
전세계의 연구자 커뮤니티에
무료로 공개했습니다.
무료로 공개했습니다.
09:36
(Applause)
151
564636
4000
(박수)
09:41
Now that we have the data
to nourish our computer brain,
to nourish our computer brain,
152
569416
4538
이제 우리는 컴퓨터 두뇌에
영양을 공급할 데이터가 있고,
영양을 공급할 데이터가 있고,
09:45
we're ready to come back
to the algorithms themselves.
to the algorithms themselves.
153
573954
3737
알고리즘 자체로 돌아올 준비가 되었죠.
09:49
As it turned out, the wealth
of information provided by ImageNet
of information provided by ImageNet
154
577691
5178
결과적으로 이미지넷의 풍부한 정보는
09:54
was a perfect match to a particular class
of machine learning algorithms
of machine learning algorithms
155
582869
4806
기계 학습 알고리즘의
특정 분류에 딱 들어맞았는데,
특정 분류에 딱 들어맞았는데,
09:59
called convolutional neural network,
156
587675
2415
이를 합성곱 신경망이라고 합니다.
10:02
pioneered by Kunihiko Fukushima,
Geoff Hinton, and Yann LeCun
Geoff Hinton, and Yann LeCun
157
590090
5248
쿠니히코 후쿠시마,
제프리 힌튼, 양 루캉이
제프리 힌튼, 양 루캉이
10:07
back in the 1970s and '80s.
158
595338
3645
1970~80년대에 개척한 영역이죠.
10:10
Just like the brain consists
of billions of highly connected neurons,
of billions of highly connected neurons,
159
598983
5619
마치 뇌가 고도로 연결된 뉴런
수십억개로 구성된 것처럼
수십억개로 구성된 것처럼
10:16
a basic operating unit in a neural network
160
604602
3854
신경망의 기본 단위는
10:20
is a neuron-like node.
161
608456
2415
뉴런과 같은 노드입니다.
10:22
It takes input from other nodes
162
610871
2554
다른 노드에서 입력을 받고
10:25
and sends output to others.
163
613425
2718
다른 노드로 출력을 보냅니다.
10:28
Moreover, these hundreds of thousands
or even millions of nodes
or even millions of nodes
164
616143
4713
게다가 이런 수십만, 수백만의 노드는
10:32
are organized in hierarchical layers,
165
620856
3227
계층 형태로 조직화됩니다.
10:36
also similar to the brain.
166
624083
2554
뇌와 마찬가지죠.
10:38
In a typical neural network we use
to train our object recognition model,
to train our object recognition model,
167
626637
4783
우리가 사물 인식 모델을 훈련하려고
사용한 전형적인 신경망에는
사용한 전형적인 신경망에는
10:43
it has 24 million nodes,
168
631420
3181
2천4백만의 노드,
10:46
140 million parameters,
169
634601
3297
1억4천만의 매개변수,
10:49
and 15 billion connections.
170
637898
2763
150억의 결합이 존재합니다.
10:52
That's an enormous model.
171
640661
2415
어마어마한 모델이죠.
10:55
Powered by the massive data from ImageNet
172
643076
3901
이미지넷의 방대한 데이터와
10:58
and the modern CPUs and GPUs
to train such a humongous model,
to train such a humongous model,
173
646977
5433
현대의 CPU와 GPU에 힘입어
11:04
the convolutional neural network
174
652410
2369
합성곱 신경망은
11:06
blossomed in a way that no one expected.
175
654779
3436
아무도 예상치 못한 방식으로
꽃피었습니다.
꽃피었습니다.
11:10
It became the winning architecture
176
658215
2508
사물의 인식에 있어
11:12
to generate exciting new results
in object recognition.
in object recognition.
177
660723
5340
흥미롭고도 새로운 결과를 내는
우수한 구조가 되었습니다.
우수한 구조가 되었습니다.
11:18
This is a computer telling us
178
666063
2810
이 컴퓨터는 우리에게
11:20
this picture contains a cat
179
668873
2300
이 사진에 고양이가 있는지,
11:23
and where the cat is.
180
671173
1903
어디에 있는지 말해줍니다.
11:25
Of course there are more things than cats,
181
673076
2112
물론 고양이 이외의 것도
인식할 수 있고,
인식할 수 있고,
11:27
so here's a computer algorithm telling us
182
675188
2438
여기서 컴퓨터 알고리즘은 사진 속에
11:29
the picture contains
a boy and a teddy bear;
a boy and a teddy bear;
183
677626
3274
소년과 테디 베어가 있다고 말해줍니다.
11:32
a dog, a person, and a small kite
in the background;
in the background;
184
680900
4366
개, 사람, 배경에 작은 연이 있습니다.
11:37
or a picture of very busy things
185
685266
3135
또는 많은 것이 찍힌 사진에서
11:40
like a man, a skateboard,
railings, a lampost, and so on.
railings, a lampost, and so on.
186
688401
4644
사람, 스케이트 보드, 난간,
가로등 같은 것을 가려냅니다.
가로등 같은 것을 가려냅니다.
11:45
Sometimes, when the computer
is not so confident about what it sees,
is not so confident about what it sees,
187
693045
5293
때때로 컴퓨터가 보는 것이 무엇인지
확신하지 못할 때는
확신하지 못할 때는
11:51
we have taught it to be smart enough
188
699498
2276
우리는 컴퓨터를 가르쳐서
11:53
to give us a safe answer
instead of committing too much,
instead of committing too much,
189
701774
3878
억측을 하기 보다는
안전한 대답을 하게 합니다.
안전한 대답을 하게 합니다.
11:57
just like we would do,
190
705652
2811
사람과 마찬가지죠.
12:00
but other times our computer algorithm
is remarkable at telling us
is remarkable at telling us
191
708463
4666
반면 컴퓨터 알고리즘은 놀랍게도
12:05
what exactly the objects are,
192
713129
2253
사물이 정확히 무엇인지
말해주기도 합니다.
말해주기도 합니다.
12:07
like the make, model, year of the cars.
193
715382
3436
자동차의 차종, 모델,
연식 같은 것이죠.
연식 같은 것이죠.
12:10
We applied this algorithm to millions
of Google Street View images
of Google Street View images
194
718818
5386
수백개 미국 도시에서 찍은
구글 스크리트 뷰 이미지
구글 스크리트 뷰 이미지
12:16
across hundreds of American cities,
195
724204
3135
수백만장에 알고리즘을 적용했더니
12:19
and we have learned something
really interesting:
really interesting:
196
727339
2926
흥미로운 것을 발견했습니다.
12:22
first, it confirmed our common wisdom
197
730265
3320
먼저, 일반적으로 예상하듯이
12:25
that car prices correlate very well
198
733585
3290
자동차 가격이 가계 수입과
12:28
with household incomes.
199
736875
2345
매우 관련이 있다는 것이었습니다.
12:31
But surprisingly, car prices
also correlate well
also correlate well
200
739220
4527
하지만 놀랍게도, 자동차 가격은
12:35
with crime rates in cities,
201
743747
2300
도시의 범죄율과도 관련이 있었고,
12:39
or voting patterns by zip codes.
202
747007
3963
도시구역별 투표 경향과도
관련이 있었습니다.
관련이 있었습니다.
12:44
So wait a minute. Is that it?
203
752060
2206
잠깐만요. 그런가요?
12:46
Has the computer already matched
or even surpassed human capabilities?
or even surpassed human capabilities?
204
754266
5153
컴퓨터는 이미 인간의 능력을
따라잡거나 추월한 것인가요?
따라잡거나 추월한 것인가요?
12:51
Not so fast.
205
759419
2138
그렇지는 않습니다.
12:53
So far, we have just taught
the computer to see objects.
the computer to see objects.
206
761557
4923
지금까지 우리는 컴퓨터에
사물 인식을 가르쳤을 뿐이에요.
사물 인식을 가르쳤을 뿐이에요.
12:58
This is like a small child
learning to utter a few nouns.
learning to utter a few nouns.
207
766480
4644
마치 어린 아이가 명사 몇개를
배운 것과 같죠.
배운 것과 같죠.
13:03
It's an incredible accomplishment,
208
771124
2670
엄청난 성과이지만
13:05
but it's only the first step.
209
773794
2460
그저 첫 걸음에 불과합니다.
13:08
Soon, another developmental
milestone will be hit,
milestone will be hit,
210
776254
3762
곧 다음 개발 목표에 이를 것이고,
13:12
and children begin
to communicate in sentences.
to communicate in sentences.
211
780016
3461
어린 아이는 문장으로
소통을 하기 시작할 겁니다.
소통을 하기 시작할 겁니다.
13:15
So instead of saying
this is a cat in the picture,
this is a cat in the picture,
212
783477
4224
그래서 사진을 보고
'고양이입니다' 하는 대신
'고양이입니다' 하는 대신
13:19
you already heard the little girl
telling us this is a cat lying on a bed.
telling us this is a cat lying on a bed.
213
787701
5202
여러분이 이미 들었듯
'고양이가 침대에 누워 있다'고 합니다.
'고양이가 침대에 누워 있다'고 합니다.
13:24
So to teach a computer
to see a picture and generate sentences,
to see a picture and generate sentences,
214
792903
5595
컴퓨터가 사진을 보고
문장을 만들게 가르치려면,
문장을 만들게 가르치려면,
13:30
the marriage between big data
and machine learning algorithm
and machine learning algorithm
215
798498
3948
빅 데이터와 기계 학습
알고리즘의 결합이
알고리즘의 결합이
13:34
has to take another step.
216
802446
2275
또 한발짝 나아가야 합니다.
13:36
Now, the computer has to learn
from both pictures
from both pictures
217
804721
4156
이제 컴퓨터는 사진 뿐만 아니라
13:40
as well as natural language sentences
218
808877
2856
사람이 만든 자연 언어 문장도
13:43
generated by humans.
219
811733
3322
배워야 합니다.
13:47
Just like the brain integrates
vision and language,
vision and language,
220
815055
3853
뇌가 시각과 언어를 결합하듯이,
13:50
we developed a model
that connects parts of visual things
that connects parts of visual things
221
818908
5201
우리가 개발한 모델은
이미지의 단편과 같은
이미지의 단편과 같은
13:56
like visual snippets
222
824109
1904
시각적 요소를
13:58
with words and phrases in sentences.
223
826013
4203
문장 속 단어나 문구와 연결합니다.
14:02
About four months ago,
224
830216
2763
약 4달 전
14:04
we finally tied all this together
225
832979
2647
우리는 마침내 이 모두를 엮어
14:07
and produced one of the first
computer vision models
computer vision models
226
835626
3784
최초의 컴퓨터 비전 모델
하나를 만들었습니다.
하나를 만들었습니다.
14:11
that is capable of generating
a human-like sentence
a human-like sentence
227
839410
3994
사진을 처음 보았을때 사람과 같이
14:15
when it sees a picture for the first time.
228
843404
3506
문장을 만들어내는 모델입니다.
14:18
Now, I'm ready to show you
what the computer says
what the computer says
229
846910
4644
이제, 여러분께 컴퓨터가 사진을 보고
14:23
when it sees the picture
230
851554
1975
말하는 것을 보여드리겠습니다.
14:25
that the little girl saw
at the beginning of this talk.
at the beginning of this talk.
231
853529
3830
앞서 어린 소녀가 봤던 사진입니다.
(컴퓨터) "남자가
코끼리 옆에 서 있습니다."
코끼리 옆에 서 있습니다."
14:31
(Video) Computer: A man is standing
next to an elephant.
next to an elephant.
232
859519
3344
14:36
A large airplane sitting on top
of an airport runway.
of an airport runway.
233
864393
3634
"큰 비행기가 공항 활주로 끝에 있습니다."
14:41
FFL: Of course, we're still working hard
to improve our algorithms,
to improve our algorithms,
234
869057
4212
물론, 우리는 여전히 알고리즘을
개량하려고 일하고 있고
개량하려고 일하고 있고
14:45
and it still has a lot to learn.
235
873269
2596
배워야 할 게 많습니다.
(박수)
14:47
(Applause)
236
875865
2291
14:51
And the computer still makes mistakes.
237
879556
3321
컴퓨터는 여전히 실수를 저지릅니다.
14:54
(Video) Computer: A cat lying
on a bed in a blanket.
on a bed in a blanket.
238
882877
3391
(컴퓨터) "고양이가 침대 위
이불 안에 있습니다."
이불 안에 있습니다."
14:58
FFL: So of course, when it sees
too many cats,
too many cats,
239
886268
2553
고양이를 너무 많이 봐서
15:00
it thinks everything
might look like a cat.
might look like a cat.
240
888821
2926
뭐든지 고양이로 보이는지도 모르죠.
15:05
(Video) Computer: A young boy
is holding a baseball bat.
is holding a baseball bat.
241
893317
2864
(컴퓨터) "어린 소년이
야구 방망이를 들고 있습니다."
야구 방망이를 들고 있습니다."
15:08
(Laughter)
242
896181
1765
(웃음)
15:09
FFL: Or, if it hasn't seen a toothbrush,
it confuses it with a baseball bat.
it confuses it with a baseball bat.
243
897946
4583
칫솔을 본 적이 없다면
야구 방망이와 혼동합니다.
야구 방망이와 혼동합니다.
15:15
(Video) Computer: A man riding a horse
down a street next to a building.
down a street next to a building.
244
903309
3434
(컴퓨터) "남자가 말을 타고
건물 옆 길을 내려갑니다."
건물 옆 길을 내려갑니다."
15:18
(Laughter)
245
906743
2023
(웃음)
15:20
FFL: We haven't taught Art 101
to the computers.
to the computers.
246
908766
3552
우리는 컴퓨터에게
미술을 가르치지 않았습니다.
미술을 가르치지 않았습니다.
15:25
(Video) Computer: A zebra standing
in a field of grass.
in a field of grass.
247
913768
2884
(컴퓨터) "얼룩말이 초원에 서있습니다"
15:28
FFL: And it hasn't learned to appreciate
the stunning beauty of nature
the stunning beauty of nature
248
916652
3367
컴퓨터는 자연의 경이로운
아름다움에 감상하는 것을
아름다움에 감상하는 것을
15:32
like you and I do.
249
920019
2438
배우지도 않았습니다.
15:34
So it has been a long journey.
250
922457
2832
이는 오랜 여정이었습니다.
15:37
To get from age zero to three was hard.
251
925289
4226
0세에서 3세까지 가는 건
힘들었습니다.
힘들었습니다.
15:41
The real challenge is to go
from three to 13 and far beyond.
from three to 13 and far beyond.
252
929515
5596
하지만 진짜 도전은 3세에서 13세,
그 이상으로 나아가는 것입니다.
그 이상으로 나아가는 것입니다.
15:47
Let me remind you with this picture
of the boy and the cake again.
of the boy and the cake again.
253
935111
4365
이 소년과 케이크의 사진을
다시 보시죠.
다시 보시죠.
15:51
So far, we have taught
the computer to see objects
the computer to see objects
254
939476
4064
지금까지 우리는 컴퓨터에
사물을 식별하고
사물을 식별하고
15:55
or even tell us a simple story
when seeing a picture.
when seeing a picture.
255
943540
4458
간단한 말을 하는 것을 가르쳤습니다.
15:59
(Video) Computer: A person sitting
at a table with a cake.
at a table with a cake.
256
947998
3576
(컴퓨터) "한 사람이 케이크가 있는
테이블에 앉아 있습니다."
테이블에 앉아 있습니다."
16:03
FFL: But there's so much more
to this picture
to this picture
257
951574
2630
그러나 이 사진에는
사람과 케이크 이외에
사람과 케이크 이외에
16:06
than just a person and a cake.
258
954204
2270
더 많은 것이 들어있죠.
16:08
What the computer doesn't see
is that this is a special Italian cake
is that this is a special Italian cake
259
956474
4467
컴퓨터가 보지 못하는 것은
이 특별한 이태리 케이크가
이 특별한 이태리 케이크가
16:12
that's only served during Easter time.
260
960941
3217
부활절에만 먹는 것이란 겁니다.
16:16
The boy is wearing his favorite t-shirt
261
964158
3205
소년은 자기가 좋아하는
티셔츠를 입고 있는데
티셔츠를 입고 있는데
16:19
given to him as a gift by his father
after a trip to Sydney,
after a trip to Sydney,
262
967363
3970
아이 아버지가 시드니 여행을
다녀와 선물로 준 것입니다.
다녀와 선물로 준 것입니다.
16:23
and you and I can all tell how happy he is
263
971333
3808
여러분과 저는 이 아이가
얼마나 기뻐하는지,
얼마나 기뻐하는지,
16:27
and what's exactly on his mind
at that moment.
at that moment.
264
975141
3203
저 순간 무슨 생각을 하는지
이야기할 수 있습니다.
이야기할 수 있습니다.
16:31
This is my son Leo.
265
979214
3125
제 아들 레오입니다.
16:34
On my quest for visual intelligence,
266
982339
2624
시각 지능에 대한 탐구를 하며
16:36
I think of Leo constantly
267
984963
2391
저는 항상 레오와
16:39
and the future world he will live in.
268
987354
2903
레오가 살 미래세계를 생각합니다.
16:42
When machines can see,
269
990257
2021
기계가 인식을 하게 되면,
16:44
doctors and nurses will have
extra pairs of tireless eyes
extra pairs of tireless eyes
270
992278
4712
의사와 간호사는
쉬지 않는 기계 눈을 이용해
쉬지 않는 기계 눈을 이용해
16:48
to help them to diagnose
and take care of patients.
and take care of patients.
271
996990
4092
환자를 진단하고 돌볼 수 있겠지요.
16:53
Cars will run smarter
and safer on the road.
and safer on the road.
272
1001082
4383
자동차는 더 똑똑하고 안전하게
도로를 주행할 겁니다.
도로를 주행할 겁니다.
16:57
Robots, not just humans,
273
1005465
2694
인간 뿐 아니라 로봇이
17:00
will help us to brave the disaster zones
to save the trapped and wounded.
to save the trapped and wounded.
274
1008159
4849
재난 지역에서 갇히고 부상당한 사람을
구하는 걸 도울 겁니다.
구하는 걸 도울 겁니다.
17:05
We will discover new species,
better materials,
better materials,
275
1013798
3796
우리는 기계의 도움으로
새로운 종, 더 나은 물질을 발견하고
새로운 종, 더 나은 물질을 발견하고
17:09
and explore unseen frontiers
with the help of the machines.
with the help of the machines.
276
1017594
4509
보지 못한 개척지를
탐험하게 될 겁니다.
탐험하게 될 겁니다.
17:15
Little by little, we're giving sight
to the machines.
to the machines.
277
1023113
4167
조금씩 우리는 기계에게
시각을 주고 있습니다.
시각을 주고 있습니다.
17:19
First, we teach them to see.
278
1027280
2798
처음에 우리는 기계에게
보는 것을 가르쳤습니다.
보는 것을 가르쳤습니다.
17:22
Then, they help us to see better.
279
1030078
2763
다음엔, 기계가 우리를 도와
더 잘 보게 할 겁니다.
더 잘 보게 할 겁니다.
처음으로, 인간의 눈이 아닌 것이
17:24
For the first time, human eyes
won't be the only ones
won't be the only ones
280
1032841
4165
17:29
pondering and exploring our world.
281
1037006
2934
세계를 생각하고 탐험하게 되었습니다.
17:31
We will not only use the machines
for their intelligence,
for their intelligence,
282
1039940
3460
우리는 인공지능 때문에
기계를 이용할 뿐만 아니라
기계를 이용할 뿐만 아니라
17:35
we will also collaborate with them
in ways that we cannot even imagine.
in ways that we cannot even imagine.
283
1043400
6179
상상치 못했던 방식으로
기계와 협력하게 될 것입니다.
기계와 협력하게 될 것입니다.
17:41
This is my quest:
284
1049579
2161
이것이 제 탐구입니다.
17:43
to give computers visual intelligence
285
1051740
2712
컴퓨터에 시각 지능을 부여하는 것,
17:46
and to create a better future
for Leo and for the world.
for Leo and for the world.
286
1054452
5131
그리고 레오와 세계를 위해서
더 나은 미래를 만드는 것입니다.
더 나은 미래를 만드는 것입니다.
17:51
Thank you.
287
1059583
1811
감사합니다.
17:53
(Applause)
288
1061394
3785
(박수)
ABOUT THE SPEAKER
Fei-Fei Li - Computer scientistAs Director of Stanford’s Artificial Intelligence Lab and Vision Lab, Fei-Fei Li is working to solve AI’s trickiest problems -- including image recognition, learning and language processing.
Why you should listen
Using algorithms built on machine learning methods such as neural network models, the Stanford Artificial Intelligence Lab led by Fei-Fei Li has created software capable of recognizing scenes in still photographs -- and accurately describe them using natural language.
Li’s work with neural networks and computer vision (with Stanford’s Vision Lab) marks a significant step forward for AI research, and could lead to applications ranging from more intuitive image searches to robots able to make autonomous decisions in unfamiliar situations.
Fei-Fei was honored as one of Foreign Policy's 2015 Global Thinkers.
Fei-Fei Li | Speaker | TED.com