Datasets:

SugoiLoki

/

TranslationTraining

like 1

병원측이 처음에 이걸 발견했을 때 이런 사실을 무시하고 이 위에 잔디를 다시 깔았습니다.

Now, when the hospital saw this originally, they tried to lay turf back over it, ignore it.

IWSLT2017

하지만 얼마 후에, 이 길이 중요한 요구사항임을 알게 되었죠. 병원측은 환자들과 회의를 가졌고 그 후에 이 곳에 도로를 만들었습니다.

But after a while, they realized it was an important need they were meeting for their patients, so they paved it.

IWSLT2017

우리가 할 일은 이런 희망경로가 드러나면 그걸 포장하는 것입니다.

And I think our job is often to pave these emerging desire paths.

IWSLT2017

런던 북부의 사례로 다시 돌아가보면 이 희망경로가 늘 이 자리는 아니었어요.

If we look back at the one in North London again, that desire path hasn't always been there.

IWSLT2017

그 이유는 축구 경기가 있는 날에는 사람들은 오른쪽 아래의 지하철 역에서 아스날 클럽 경기장으로 이동했습니다.

The reason it sprung up is people were traveling to the mighty Arsenal Football Club stadium on game days, from the Underground station you see on the bottom right.

IWSLT2017

그 희망경로가 보이시죠.

So you see the desire path.

IWSLT2017

몇 년 전으로 거슬러 올라가 경기장을 짓고 있을 때는 이 희망경로는 없었습니다.

If we just wind the clock back a few years, when the stadium was being constructed, there is no desire path.

IWSLT2017

우리가 해야 할 일은 이런 희망경로가 드러나는 걸 찾아내고 적당한 위치에 그 길을 만들어 주는 것입니다. 누군가가 이곳에 한 것처럼요.

So our job is to watch for these desire paths emerging, and, where appropriate, pave them, as someone did here.

IWSLT2017

누군가 여기 장애물을 두었고 사람들은 아래로 돌아가기 시작하자 그 길을 포장도로로 만들었죠.

Someone installed a barrier, people started walking across and round the bottom as you see, and they paved it.

IWSLT2017

그런데 이것도 놀라운 교훈을 준다고 생각합니다. 실제로 세상은 끊임없이 변화한다는 거예요.

But I think this is a wonderful reminder as well, that, actually, the world is in flux.

IWSLT2017

계속해서 바뀌고 있어요. 이 사진의 위쪽을 보시면 또 다른 희망경로가 만들어지고 있거든요.

It's constantly changing, because if you look at the top of this image, there's another desire path forming.

IWSLT2017

이들 세가지 일화가 일깨워 주는 것은 사람들의 실제 요구에 따라 디자인해야 한다는 것입니다.

So these three desire paths remind me we need to design for real human needs.

IWSLT2017

소비자의 요구를 공감하는 것이 사업성공의 가장 큰 척도가 된다고 생각합니다.

I think empathy for what your customers want is probably the biggest leading indicator of business success.

IWSLT2017

실제 요구에 따라 디자인하고 마찰을 최소화하는 디자인을 하세요. 마찰을 최소화하는 디자인을 제공하지 못하면 누군가, 때로는 소비자가 그 일을 할 것이기 때문입니다.

Design for real needs and design them in low friction, because if you don't offer them in low friction, someone else will, often the customer.

IWSLT2017

두 번째로, 대중의 실제 요구를 파악하는 가장 좋은 방법은 서비스를 일단 제공해보는 것입니다.

Secondly, often the best way to learn what people really want is to launch your service.

IWSLT2017

해답이 책상머리에서 나오는 것은 아니거든요.

The answer is rarely inside the building.

IWSLT2017

밖으로 나가서 사람들이 진짜 원하는 것을 눈으로 확인하세요.

Get out there and see what people really want.

IWSLT2017

그리고 마지막으로, 기술에 힘입어서 세상은 순식간에 놀라운 변화를 보입니다.

And finally, in part because of technology, the world is incredibly flux at the moment.

IWSLT2017

계속해서 변화하고 있어요.

It's changing constantly.

IWSLT2017

이런 희망경로는 끝없이 빠르게 나타나고 있습니다.

These desire paths are going to spring up faster than ever.

IWSLT2017

우리의 역할은 그 중 적당한 것을 고르고 그 길에 포장을 씌워주는 것입니다.

Our job is to pick the appropriate ones and pave over them.

IWSLT2017

경청해 주셔서 감사합니다.

Thank you very much.

IWSLT2017

저는 구글에서 기계지능팀을 이끌고 있습니다. 다르게 표현하면, 컴퓨터와 장치를 공학적으로 훈련시켜 뇌가 하는 일을 할 수 있게 합니다.

So, I lead a team at Google that works on machine intelligence; in other words, the engineering discipline of making computers and devices able to do some of the things that brains do.

IWSLT2017

그리고 이 일을 하면서 저희는 실제 뇌와 신경과학에 관심을 두게 되었습니다. 특히 관심 있는 부분은 우리의 뇌가 하는 일 중에 아직 컴퓨터보다 훨씬 뛰어난 부분에 대한 것입니다.

And this makes us interested in real brains and neuroscience as well, and especially interested in the things that our brains do that are still far superior to the performance of computers.

IWSLT2017

역사적으로 이런 부분 중에 하나로 인식이 언급돼 왔습니다. 세상에 존재하는 소리나 이미지를 과정을 통해 마음속에 개념화시키는 것입니다.

Historically, one of those areas has been perception, the process by which things out there in the world -- sounds and images -- can turn into concepts in the mind.

IWSLT2017

이것은 우리 뇌에 필수적인 기능이고 컴퓨터에도 꽤 유용합니다.

This is essential for our own brains, and it's also pretty useful on a computer.

IWSLT2017

기계 인식 알고리즘의 예로 저희 팀에서 한 일은 구글 포토스에 올린 사진을 뭐가 찍혔냐에 따라 검색이 가능하게 한 것이죠.

The machine perception algorithms, for example, that our team makes, are what enable your pictures on Google Photos to become searchable, based on what's in them.

IWSLT2017

인식의 반대말은 창의성입니다. 개념을 세상에 존재하는 것으로 바꾸는 것입니다.

The flip side of perception is creativity: turning a concept into something out there into the world.

IWSLT2017

지난 몇 년 동안 기계 인식에 대해 저희가 해온 일들은 뜻밖에도 기계의 창의력과 기계 예술을 연결했습니다.

So over the past year, our work on machine perception has also unexpectedly connected with the world of machine creativity and machine art.

IWSLT2017

저는 미켈란젤로가 인식과 창의성 간의 이중 관계를 꿰뚫어 보았다고 생각합니다.

I think Michelangelo had a penetrating insight into to this dual relationship between perception and creativity.

IWSLT2017

이것은 그의 유명한 인용구입니다. "모든 돌덩이는 그 안에 조각상을 가지고 있고 그것을 발견하는 것이 조각가의 과업이다."

This is a famous quote of his: "Every block of stone has a statue inside of it, and the job of the sculptor is to discover it."

IWSLT2017

그래서 저는 미켈란젤로의 생각은 우리는 인식하는 것으로 창조하고 그 인식 자체가 상상하는 행위이며 창의성이라 여깁니다.

So I think that what Michelangelo was getting at is that we create by perceiving, and that perception itself is an act of imagination and is the stuff of creativity.

IWSLT2017

생각하고 인식하고 상상하는 기관은 물론 뇌입니다.

The organ that does all the thinking and perceiving and imagining, of course, is the brain.

IWSLT2017

그리고 저는 간략하게 뇌에 대한 연구의 역사에 대해서 이야기하고 싶습니다.

And I'd like to begin with a brief bit of history about what we know about brains.

IWSLT2017

왜냐하면 심장이나 장과 달리 보기만 해선 뇌에 대해 이야기할 게 없기 때문입니다. 겉으로 보기에 말이죠.

Because unlike, say, the heart or the intestines, you really can't say very much about a brain by just looking at it, at least with the naked eye.

IWSLT2017

초기 해부학자들은 뇌를 보고 표면상의 구조에 온갖 기발한 이름을 붙였습니다. 해마같이 말이죠, 뜻은 "작은 새우"입니다.

The early anatomists who looked at brains gave the superficial structures of this thing all kinds of fanciful names, like hippocampus, meaning "little shrimp."

IWSLT2017

하지만 물론 이런 이름들이 실제로 무슨일을 하는지 말해 주지는 않습니다.

But of course that sort of thing doesn't tell us very much about what's actually going on inside.

IWSLT2017

제 생각에 최초로 뇌에서 무슨 일이 일어나는지에 대해 큰 공헌을 한 사람은 스페인의 위대한 신경 해부학자인 산티아고 라몬 이 카할입니다. 19세기에 현미경 관찰과 특수한 착색을 이용해 선택적으로 각각의 뇌세포를 채우거나 높은 대비를 만들어 내 형태학적인 이해를 할 수 있게 한 사람입니다.

The first person who, I think, really developed some kind of insight into what was going on in the brain was the great Spanish neuroanatomist, Santiago Ramón y Cajal, in the 19th century, who used microscopy and special stains that could selectively fill in or render in very high contrast the individual cells in the brain, in order to start to understand their morphologies.

IWSLT2017

이것들은 그가 신경 세포로 만든 그림들입니다. 19세기에 말이죠.

And these are the kinds of drawings that he made of neurons in the 19th century.

IWSLT2017

이것은 새의 뇌 그림입니다.

This is from a bird brain.

IWSLT2017

그리고 굉장히 다양한 세포를 볼 수 있습니다. 심지어 세포이론도 알려진 지 얼마 안 된 때였습니다.

And you see this incredible variety of different sorts of cells, even the cellular theory itself was quite new at this point.

IWSLT2017

그리고 이 구조는 수지상부를 가지고 있는 세포들의 가지는 아주 멀리까지 뻗을 수 있는데 당시 매우 새로웠습니다.

And these structures, these cells that have these arborizations, these branches that can go very, very long distances -- this was very novel at the time.

IWSLT2017

이 구조는 전선을 연상시킵니다.

They're reminiscent, of course, of wires.

IWSLT2017

전선과 전기의 혁명이 일어나던 19세기 사람들은 당연히 그렇게 볼 수 있었을 것입니다.

That might have been obvious to some people in the 19th century; the revolutions of wiring and electricity were just getting underway.

IWSLT2017

하지만 여러 가지 면에서 이런 라몬 이 카할의 조직학적 그림은 오늘날에도 최고로 여겨집니다.

But in many ways, these microanatomical drawings of Ramón y Cajal's, like this one, they're still in some ways unsurpassed.

IWSLT2017

우리는 지난 한 세기 동안 라몬 이 카할이 시작한 일을 끝내려고 노력하고 있습니다.

We're still more than a century later, trying to finish the job that Ramón y Cajal started.

IWSLT2017

이것들은 막스플랑크 신경과학 연구소 협력자들의 기초 데이타입니다.

These are raw data from our collaborators at the Max Planck Institute of Neuroscience.

IWSLT2017

그리고 저희 협력자들이 한 것은 뇌세포의 작은 부분을 조명한 것 입니다.

And what our collaborators have done is to image little pieces of brain tissue.

IWSLT2017

이 샘플의 전체 크기는 대략 1 입방 밀리미터이고 결과물의 아주 작은 부분을 보고 계신 것입니다.

The entire sample here is about one cubic millimeter in size, and I'm showing you a very, very small piece of it here.

IWSLT2017

왼쪽에 있는 바는 1미크론 입니다.

That bar on the left is about one micron.

IWSLT2017

보고 계신 구조는 미토콘드리아입니다. 이는 박테리아만큼 작습니다.

The structures you see are mitochondria that are the size of bacteria.

IWSLT2017

이것은 아주 작은 조직으로 자른 연속적인 단면입니다.

And these are consecutive slices through this very, very tiny block of tissue.

IWSLT2017

비교를 하자면 머리카락의 평균 지름은 100 미크론입니다.

Just for comparison's sake, the diameter of an average strand of hair is about 100 microns.

IWSLT2017

저희가 보고 있는 것은 머리카락 한 가닥보다 훨씬 작은 것입니다.

So we're looking at something much, much smaller than a single strand of hair.

IWSLT2017

그리고 이런 전자현미경으로 나눈 일련의 조각들로 신경세포를 3D로 이렇게 복원할 수 있습니다.

And from these kinds of serial electron microscopy slices, one can start to make reconstructions in 3D of neurons that look like these.

IWSLT2017

이것은 라몬 이 카할의 방식과 어느 정도 같습니다.

So these are sort of in the same style as Ramón y Cajal.

IWSLT2017

일부 신경세포만 비추었죠. 그렇지 않으면 아무것도 구분할 수 없을 것입니다.

Only a few neurons lit up, because otherwise we wouldn't be able to see anything here.

IWSLT2017

사진 가득히 신경세포끼리 서로 연결된 구조만 보일 것입니다.

It would be so crowded, so full of structure, of wiring all connecting one neuron to another.

IWSLT2017

라몬 이 카할은 시대를 앞서나갔고 그후 수십 년 동안 뇌의 이해에 대한 연구는 서서히 발전했습니다.

So Ramón y Cajal was a little bit ahead of his time, and progress on understanding the brain proceeded slowly over the next few decades.

IWSLT2017

그러나 우리는 신경세포가 전기를 이용하는 것을 알아냈고 제2차 세계대전 때 발전한 기술로 실제로 신경세포에 전기 실험을 할 수 있게 되고 신경세포를 더 이해할 수 있었습니다.

But we knew that neurons used electricity, and by World War II, our technology was advanced enough to start doing real electrical experiments on live neurons to better understand how they worked.

IWSLT2017

컴퓨터가 발명된 것도 바로 이때인데 뇌를 모델로 한 아이디어였죠. 앨런 튜링은 "지능형 기계" 라고 불렀습니다. 컴퓨터 공학의 아버지 중에 한 명이죠.

This was the very same time when computers were being invented, very much based on the idea of modeling the brain -- of "intelligent machinery," as Alan Turing called it, one of the fathers of computer science.

IWSLT2017

워렌 맥컬로흐와 월터 피츠는 어느날 라몬 이 카할의 시각 피질 그림을 보았습니다. 지금 보고 계신 그림말이죠.

Warren McCulloch and Walter Pitts looked at Ramón y Cajal's drawing of visual cortex, which I'm showing here.

IWSLT2017

이것은 눈을 통해 들어온 이미지를 처리하는 피질입니다.

This is the cortex that processes imagery that comes from the eye.

IWSLT2017

그리고 그들에겐 이 그림은 마치 회로도처럼 보였습니다.

And for them, this looked like a circuit diagram.

IWSLT2017

맥컬로흐와 피츠의 회로도에는 많은 세부사항이 있지만 정확하지는 않습니다.

So there are a lot of details in McCulloch and Pitts's circuit diagram that are not quite right.

IWSLT2017

하지만 기본 아이디어인 시각 피질의 원리가 일련의 계산 요소를 연속적으로 하나에서 다음으로 정보를 넘긴다는 것은 근본적으로 맞습니다.

But this basic idea that visual cortex works like a series of computational elements that pass information one to the next in a cascade, is essentially correct.

IWSLT2017

조금 더 이야기해 보겠습니다. 시각 정보를 처리하는 모델이 해야 하는 일에 대해서 말이죠.

Let's talk for a moment about what a model for processing visual information would need to do.

IWSLT2017

인식이 기본적으로 하는 일은 이런 이미지를 보고 이렇게 말하는 것 입니다. "이것은 새입니다" 우리에게는 매우 쉬운 일입니다.

The basic task of perception is to take an image like this one and say, "That's a bird," which is a very simple thing for us to do with our brains.

IWSLT2017

하지만 여러분 모두가 아셔야 하는 것이 몇 년 전까지 컴퓨터로는 이런 것이 불가능했습니다.

But you should all understand that for a computer, this was pretty much impossible just a few years ago.

IWSLT2017

고전적인 컴퓨팅 패러다임은 이런 일을 쉽게 할 수 있는 것이 아닙니다.

The classical computing paradigm is not one in which this task is easy to do.

IWSLT2017

그래서 픽셀들 간의 관계와 만들어진 이미지와 "새"라는 단어의 관계는 근본적으로 신경세포들이 서로 연결되어 신경망을 구축하고 있는 것입니다. 제가 그린 도표처럼요.

So what's going on between the pixels, between the image of the bird and the word "bird," is essentially a set of neurons connected to each other in a neural network, as I'm diagramming here.

IWSLT2017

이 신경망은 시각피질 내부의 생물학적인 것이나 오늘날에는 우리의 기술로 컴퓨터를 통해 신경망을 그릴 수 있습니다.

This neural network could be biological, inside our visual cortices, or, nowadays, we start to have the capability to model such neural networks on the computer.

IWSLT2017

그리고 이것이 실제 모델입니다.

And I'll show you what that actually looks like.

IWSLT2017

픽셀이 신경세포의 첫 번째 층입니다. 그리고 이것은 실제로 눈으로 보는 과정으로 보면 픽셀이 망막인 것입니다.

So the pixels you can think about as a first layer of neurons, and that's, in fact, how it works in the eye -- that's the neurons in the retina.

IWSLT2017

그리고 이 자극을 신경세포의 한 층에서 다음 층으로 전달합니다. 이는 각각 다른 농도의 시냅스로 모두 연결되어있습니다.

And those feed forward into one layer after another layer, after another layer of neurons, all connected by synapses of different weights.

IWSLT2017

이 네트워크의 동작은 모든 시냅스의 강도에 의해 구분됩니다.

The behavior of this network is characterized by the strengths of all of those synapses.

IWSLT2017

이것으로 네트워크 내에서 계산되는 것을 특징짓습니다.

Those characterize the computational properties of this network.

IWSLT2017

그리고 마지막에 신경 세포 하나 또는 한 무리가 반짝이며 "새"라고 말합니다.

And at the end of the day, you have a neuron or a small group of neurons that light up, saying, "bird."

IWSLT2017

이제 제가 이 세가지를 입력된 픽셀, 신경망의 시넵스 그리고 결과물인 새를 세 변수 x, w, y라고 하겠습니다.

Now I'm going to represent those three things -- the input pixels and the synapses in the neural network, and bird, the output -- by three variables: x, w and y.

IWSLT2017

픽셀이 백만 개는 있을테니 x는 이미지의 백만 개의 픽셀입니다.

There are maybe a million or so x's -- a million pixels in that image.

IWSLT2017

그리고 w는 수십억 혹은 수조 개가 있습니다. 이는 신경망의 모든 시냅스의 농도를 말합니다.

There are billions or trillions of w's, which represent the weights of all these synapses in the neural network.

IWSLT2017

그리고 적은 수의 y가 있습니다. 신경망의 결과물로써 말이죠.

And there's a very small number of y's, of outputs that that network has.

IWSLT2017

"Bird"는 네 글자뿐이잖아요.

"Bird" is only four letters, right?

IWSLT2017

그러면 이것을 간단한 공식이라고 해봅시다. x "x" w = y.

So let's pretend that this is just a simple formula, x "x" w = y.

IWSLT2017

저는 곱하기를 큰따옴표 안에 넣었습니다. 실제로 저기서 일어나는 일은 매우 복잡한 일련의 수학적인 과정이기 때문입니다.

I'm putting the times in scare quotes because what's really going on there, of course, is a very complicated series of mathematical operations.

IWSLT2017

이것은 한 공식입니다.

That's one equation.

IWSLT2017

세 개의 변수가 있습니다.

There are three variables.

IWSLT2017

그리고 우리가 알고 있는 것이 한 공식에서 두 개의 변수를 알면 남은 한 개를 알 수 있다는 것입니다.

And we all know that if you have one equation, you can solve one variable by knowing the other two things.

IWSLT2017

그래서 추론해야 하는 새의 사진을 보고 새를 구분하는 공식은 바로 이것입니다. 이 경우는 y는 알려지지 않고 w와 x는 알려진 경우이죠

So the problem of inference, that is, figuring out that the picture of a bird is a bird, is this one: it's where y is the unknown and w and x are known.

IWSLT2017

신경망과 픽셀이 무엇인지는 알고 있습니다.

You know the neural network, you know the pixels.

IWSLT2017

보시다시피 사실 상대적으로 간단한 문제입니다

As you can see, that's actually a relatively straightforward problem.

IWSLT2017

2 곱하기 3을 하면 끝나는 거죠

You multiply two times three and you're done.

IWSLT2017

여러분께 최근에 만든 인공 신경망이 정확히 이것을 하는 것을 보여드리겠습니다

I'll show you an artificial neural network that we've built recently, doing exactly that.

IWSLT2017

이것은 휴대전화에서 실시간으로 돌아가는 것입니다. 그리고 물론 휴대전화에서 초당 수십억 수조 개의 동작을 한다는 것 자체만으로도 놀라운 일입니다

This is running in real time on a mobile phone, and that's, of course, amazing in its own right, that mobile phones can do so many billions and trillions of operations per second.

IWSLT2017

여러분이 보고 있는 것은 휴대전화가 다른 새 사진을 보고 “네, 이것은 새입니다.” 하고 끝나는 것이 아니라 네트워크 정보로 종까지 분류하는 모습입니다.

What you're looking at is a phone looking at one after another picture of a bird, and actually not only saying, "Yes, it's a bird," but identifying the species of bird with a network of this sort.

IWSLT2017

사진을 보면 x와 w는 밝혀져 있고 y는 밝혀지지 않았습니다.

So in that picture, the x and the w are known, and the y is the unknown.

IWSLT2017

지금 몹시 어려운 부분을 얼버무리고 지나가고 있는데 그것은 우리가 어떻게 w를 밝혀냈으며 뇌가 어떻게 그런 일을 하며

I'm glossing over the very difficult part, of course, which is how on earth do we figure out the w, the brain that can do such a thing?

IWSLT2017

어떻게 이런 모델을 배울까입니다.

How would we ever learn such a model?

IWSLT2017

w를 배우고 해결하는 과정을 간단한 공식으로 만들어 숫자를 대입해보면 정확히 알 수 있습니다. 6=2 x w라고 하면 양변을 2로 나누면 끝납니다.

So this process of learning, of solving for w, if we were doing this with the simple equation in which we think about these as numbers, we know exactly how to do that: 6 = 2 x w, well, we divide by two and we're done.

IWSLT2017

문제점은 이 연산에서

The problem is with this operator.

IWSLT2017