Keynote (TensorFlow Dev Summit 2018) TensorFlow Korean English (auto-generated)

Keynote (TensorFlow Dev Summit 2018)YouTube↗ IA↗(long shot)
Science & Technology 41.4K views 457 likes 13 dislikes 30 Mar 2018

TensorFlow 615K subscribers N/A YouTube↗

Click to Play Video

안녕하세요

good morning everybody

저는 아니타 비자야쿠마르라고 합니다

I'm Anita Vijay Kumar technical program

TensorFlow의 기술 프로그램 관리자입니다

manager for tensorflow

반갑습니다

welcome good morning to all of you it's

2018 TensorFlow 개발자 회의에 오신 걸 환영합니다

really exciting to be here with all of

이 곳에서 여러분과 함께 하게 되어 정말 기쁩니다

you today and welcome to the 2018 tensorflow developer summit we have a packed day

오늘 행사에는 아주 흥미로운 발표와

filled with lots of interesting talks

멋진 데모가 많이 준비되어 있습니다

and some really cool demos we hope you

즐거운 시간이 되시길 바랍니다

enjoy it as much as we do as you know we

아시다시피, 우리는 현재 인공지능과 기계학습분야에서

are together embarking on a

혁명적인 변화를 시작하고 있습니다

transformative journey in the field of machine learning and artificial

기계학습의 혁명

intelligence problems that were

이전엔 불가능하거나 복잡했던 문제들이

impossible or too complex are now

이제는 새로운 기술로 인해 해결될 수 있습니다

possible to solve using this technology

이 분야는 새로운 프론티어를 제공하며

this field is unleashing new frontiers

우리 삶의 많은 부분을 근본적으로 변화시키고 있습니다

and substantially changing many aspects of our lives in a meaningful way

이미 기계학습으로 많은 분야에서

we've already seen great advantages in many different areas with machine

훌륭한 발전이 있었습니다 몇 가지 예를 알려드리자면 천문학 분야에서

learning some examples are in the field

새로운 행성을 탐구하는 것은 쉽지 않은 과제입니다

of astronomy hunting for new planets is no easy task these planets are small

새 행성들은 호스트 항성에 비해 작고, 춥고, 어둡습니다 연구자들과 천체물리학자들이 케플러 미션의 데이터를 분석하고

cold dark objects compared to their host star researchers and astrophysicists have analyzed large amounts of data from

기계학습을 통해서

the Kepler mission and by using machine

새로운 행성인 케플러-90i를 발견했습니다

learning have discovered a brand-new planet called the kepler 90i making it

우리가 알고있는 우주의 태양계 외에

the only eight planet solar system that

유일한 8행성계 입니다 보건분야에서는 인간의 눈을 검사해서

we know of in our universe other than our own in healthcare we have discovered

기계학습을 통해 심혈관 질환을

that looking at scans of the human eye machine learning can assess a person's

검사하는 방법을 발견했습니다

risk for cardiovascular diseases just

자신의 모바일 기기를 가지고 스캔을 할 수 있다면

imagine if the screening can be done

그 효과가 얼마나 대단할 지 상상해보세요

with a mobile device how profound the effect will be suddenly the whole world

전 세계가 갑자기 빠르고, 쉽고 저렴한 비외과적인 방법으로

will have access to rapid easy

심장 질환을 검사해 수많은 목숨을 살릴 수 있게

affordable non-invasive screening for

될 것입니다

heart diseases saving lots of lives in

항공분야에서는 복잡한 상공에서

aviation tradition it's logic tree prediction is a critical component to

항공기의 안전하고 효과적인 운항을 위해

ensuring that era aircrafts can fly

궤적 예측이 매우 중요합니다

safely and efficiently in crowded spaces

유럽의 기술자들과 항공 교통 관제사들은

Engineers and air traffic controllers in

기계 학습을 이용해 벨기에 룩셈브르크, 독일, 네덜란드 상공의

Europe are using machine learning to predict the trajectory of a flight through the air spaces of Belgium

항공기의 궤도를 예측합니다

Luxembourg Germany and the Netherlands

이 국가들의 상공에는 연 180만편의 항공기가 주행하고 있습니다

this has more than 1.8 million flights per year and is one of the most dense

전 세계에서 가장 복잡한 상공입니다

and complex air spaces in the world in

낙농업 분야에서는 젖소의 건강이

dairy farming we know that a cow's health is vital to the survival of the

매우 중요합니다

dairy industry and folks that connector

네덜란드에 있는 우리 회사 사람들은

our company in the Netherlands wondered

기계학습을 통해 젖소의 건강상태를 계속해서 확인할 수 있는 기술을 개발해

if they can use machine learning to track the health of cows and being able

농부들과 수의사들에게 조언을 주고

to provide insights to farmers and veterinarians on actions to be taken to

젖소를 건강하게 관리해서 많은 수익을 창출할 수 있게 되길 원했죠

ensure we have happy healthy cows that

그리고 지금은 캘리포니아뿐 아니라

are high yielding so we now have happy

네덜란드에서도 이런 기술을 적용할 수 있게 되었습니다

comes not only from California but also the Netherlands fighting climate change

기후변화 대응

fighting climate change and production

기후변화를 막고 숲을 보호하는 데

in protecting our forests we believe

기술의 역할이 매우 중요하다고 생각합니다

that technology has a huge role to play a group of engineers and scientists have

기술자들과 과학자들이 실시간 벌목 감시 메커니즘을 개발했습니다

built real-time detection and alerting

체인 톱이나 트럭 소리

mechanisms to detect logging of trees they listen to change they listen to

벌목 소리와 같은 실시간 데이터를 가지고

real time data foot from chainsaw sounds

기계학습을 통해 우리의 소중한 우림을 보호하고 삼림 파괴를

from talking sounds from logging sounds and machine learning is fighting

막고 있습니다

deforestation and protecting our precious rainforests in music there are

음악 산업에서는 딥러닝을 이용한 기계학습 활용이 많이 일어나고 있습니다

many machine learning algorithms using deep neural networks that can learn the

소리의 특징을 배우고 그것을 기반으로

characteristics of sounds and create

완전히 새로운 음악을 탄생시킬 수 있죠 예술분야에서는 과거에 잃어버린

completely new music based on these characteristics in arts and culture you can even search if you have a long-lost

쌍둥이 동생까지도 찾을 수 있습니다 기계학습을 기반으로 한 앱을 사용해서 유채화를 그릴 수 있기 때문이죠

twin from the past by looking at oil paintings that are based using apps that are based on machine learning how cool

정말 멋지지 않나요?

Google은 최초의 인공지능 회사이며 모든 상품이 기계학습으로 인해

at Google we are an AI first company and every product is being fundamentally

근본적으로 영향을 받고 변화하고 있어요 Google Home이나

impacted and changed by machine learning beat the popular Google home or the

Pixel, Search, YouTube 혹은 Maps를 보세요

pixel or search or YouTube or even Maps

이 모든 예들이 왜 멋진지 아세요?

do you know what is fascinating in all these examples tensorflow is at the

이 기술이 가능하도록 TensorFlow가 이끌고 있기 때문입니다

forefront of them making it all possible a machine

기계학습 플랫폼은

learning platform that can solve

우리 모두에게 어려운 문제들을 해결해 줄 수 있습니다

challenging problems for all of us join

TensorFlow를 더 강력하고 확장성이 뛰어난 최고의 기계학습 플랫폼으로

us on this incredible journey to make tensorflow powerful scalable and the

만들기 위한 우리의 노력에 동참해 주세요 그럼 더 자세히 말씀해 주실 TensorFlow의 엔지니어링 총괄

best machine learning platform for everybody I now invite Rajat director of

라자트를 소개합니다, 감사합니다

engineering of tensorflow to tell us more about this thank you hello everyone

안녕하세요 라자트 몬가 소프트웨어 엔지니어 감사합니다 아니타

good morning thanks Anita so let's take

지난 2년 동안 우리가 무엇을 해왔는지

a look at what we've been doing over the

먼저 이야기 해보겠습니다

last two years it's been really amazing

새로운 상품들을 출시하고 TensorFlow의 인기가 점점

with lots of new releases if you've seen

상승하는 것도 느낄 수 있었습니다

the popularity of pencil or of tensorflow really grow over the last two

특히 작년에는 TensorFlow를

years especially over the last year

사용하기 쉽도록 만드는데 집중했고 tf.data나 tf.keras와 같은

we've focused on making tensorflow easy to use and with release of high-level api's you know like TF data

높은 수준의 API도 출시했습니다 Eager Execution과 같은

in TF Carris and new programming

새로운 프로그래밍 패러다임으로 계속해서 더 사용이 쉬워질 것입니다

paradigms like a you go execution really continue to make that easier earlier

올해 초, 우리는 기념비적인 천 백 만 다운로드를 기록했습니다

this year we hit the milestone of 11 million downloads you know really

이렇게나 많은 사용자들이 있고 세계에 얼마나 큰 영향을 미치는 지

excited to see how much users are using

생각해보면 정말 기쁩니다

this in how much impact it's having in the world so here's a map showing

TensorFlow를 시작한 GitHub의

self-identified locations of folks on

사람들의 위치를 보여주는 지도입니다

github that have starred tensorflow and

북극권 한계선까지도 뻗어나가 있는 걸 보실 수 있습니다

you can see that it goes all the way up to the Arctic Circle it room so in

남극의 일부인 디셉션 섬까지도 뻗어나가 있는 걸 보실 수 있죠

Norway in all the way south down to Deception Island which is part of

TensorFlow는 전 세계 모든 시간대에서 사용되고 있습니다

Antarctica in fact tensorflow is used in every single time zone in the world an

오픈 소스 프로젝트의 핵심은 바로 참석자들 입니다

important part of any open-source project are the contributors themselves

커뮤니티는 이 프로젝트를 성공적으로 만들어 주는 사람들로

you know the community is made of the

구성되어 있는 것이죠

people who make this project successful

Google 밖에도 천 여명의 참석자들이 있습니다

I'm excited to see over a thousand contributors from outside Google who are

코드 개선 뿐 아니라 커뮤니티 내에서

making contributions not just by

질문에 답을 해주는 등의 방식으로 도움을 주기도 하며

improving code but also by helping the rest of the community by answering

여러 방면에서 기여하고 계십니다 이 커뮤니티에서 우리는 로드맵의 방향을 공유하고

questions responding to queries and so on our commitment to this community is by sharing our direction in a roadmap

디자인에 공개 참여를 유도하고 있습니다 시그를 만들어서 TensorBoard의

inviting public participation on design direction and by creating SIG's that

빌트인 패키징과 같은 주요 사안에서 협력해 도움을 받기도 합니다

help focus collaboration on the key needs like build in packaging tents aboard and

여기에 대해서는 오늘 오후에 더 자세히 이야기 해보겠습니다

we'll be talking more about this in detail later this afternoon today we are

이제 우리는 새로운 TensorFlow 블로그를 출시했습니다

launching a new tensorflow blog will be

이 블로그에서는 커뮤니티와 우리 팀이

sharing work by the team and the

공유하는 일이 있을 것이고 이 또한 여러분의 많은 참여가

community on this blog and we would like

있기를 바랍니다

to invite you to participate in this as

우리는 또한 새로운 YouTube채널을 출시합니다

well we are also launching a new YouTube

TensorFlow를 위해 만들어진 모든 훌륭한 콘텐츠를

channel for tensorflow that brings together all the great content that's

이용할 수 있을 것입니다 다시 한번 말씀드리지만

been created for tensorflow again all of these are for the community to really

이 모든 것들은 커뮤니티에서 소통을 원활히 하기 위해서입니다

help build and communicate all day today

오늘날 우리는 수많은 채널의 비디오나 블로그의 게시물을 공유할 수 있습니다

we will be sharing a number of posts on the blog and videos on the channel the

지금 저의 연설도 다른 인터뷰나

talks you're hearing here will be made

연설과 함께 업로드 될 것입니다

available there as well along with lots

재사용과 공유를 더 쉽게 만들기 위해

of conversations and interviews with the speakers to make reuse and sharing

오늘 우리는 TensorFlow Hub를 출시합니다, 컴포넌트 모델이 모여있어서

easier today we are launching tensorflow hub this library of model components is

한 줄의 코드만으로 여러분의 모델과 쉽게 통합할 수 있습니다

easy to integrate into your models with just a single line of code you know

다시 한 번 말씀드리지만 훨씬 사용이 쉬워지는 것이죠

again goes back to really making things easy for you

여러분도 보셨다 시피 기계학습은 중요하고 강력합니다

machine learning is important and

우리는 더 많은 사람들에게 기계학습의 접근성을 가져다주고자 합니다

powerful as you saw we care about bringing it to more and more people as

이런 노력의 일부로 최근 우리는

part of this effort we recently released

더 많은 사람들에게 기계학습을 소개하기 위해서

the machine learning crash course

Machine Learning Crash Course (기계학습 특강)을 출시했습니다

focused on introducing this to a much

수 천 명의 구글 사용자들이 이 특강을 통해 기계학습을 배웠고

broader audience the same course that

이제 우리의 모든 상품을 기계학습에 통합했습니다

strained thousands of Googlers and machine learning and allows us to

바로 그 특강이 모두에게 이용 가능해 진 것입니다

integrate ml into everything we build is now even available to everyone

처음에 TensorFlow는 수치 계산용 라이브러리로 만들어졌습니다

tensorflow started as a new library for numerical computation with a focus on

딥러닝과 신경망에 집중했죠

deep learning and neural networks since

최초 출시 이후, 이제는

the early release it's grown to include

아주 풍부한 기계학습 알고리즘을 가진 소프트웨어가 되었습니다

a very rich collection of machine

많은 데이터 분류 구조 문제에서 사용되는 선형 회귀나 판단 트리와 같은

learning algorithms it includes popular algorithms like linear regressions and

알고리즘을 포함합니다

decision trees commonly used for many structured data classification problems

또한, TF공공 라이브러리에는 통계와 기본 분석을 위한

there's also a very broad collection of

최첨단 툴이 많이 있습니다

state-of-the-art tools for stats and Bayesian analysis in the TF probability

그리고 오늘 새로운 툴이 더 공개 될 것입니다

library and several new additions are

자세한 사항은 블로그나 사이트를 확인해 주시기 바랍니다 앞서 말씀드렸듯이, 우리의 중점은

being released today you can check out the blog post in website for more details as I mentioned earlier one of the big key focus points for us is to

TensorFlow를 사용하기 쉽게 만들고 API를 더 간단하게 만들며

make tensorflow easy to use and towards that we've been pushing on

훨씬 본능적으로 만드는 것입니다

simpler API is easier to use and making them more intuitive at the lowest level

가장 낮은 수준에서, 우리의 중점은 우리의 API를 통합시키는 것이고

you know our focus is to consolidate a

이 모델을 만들고 교육하기 쉽게 만드는 것입니다

lot of the api's we have and make it easier to build these models and train

또한 TensorFlow의 API는

them at the lowest level the tensorflow

매우 유연하고, 사용자들은 이 API로 무엇이든 만들 수 있습니다

API is are really really flexible and they let users build anything they want

이 API는 Eager Execution과 함께 사용하면 더 사용이 쉽습니다

to with either execution the same API zarnow easier to use tensorflow also

TensorFlow는 또한 Keras를 완전히 실행합니다

contains a full implementation of cares

TF Keras에는 레이어와 같은 빌딩 블록들이 있는데

TF cares contains building blocks like

이를 통해 더 편리한 모델을 만들 수 있고 훈련을 위한

layers to build models to make it easier to do that and offers lots of utilities

지원 프로그램 또한 많이 제공합니다

to train them as well caris works with

Keras는 Graph와 Eager Execution에서 작동합니다

both Graff and eager execution as well

Distributed Execution에서는 Estimator를 제공하므로

for distributed execution we provide

여러분의 모델과 Estimator를 결합해

estimators so you can take your models and combine them and estimators to

기계 전반에 적용할 수 있습니다

distribute them across machines you can

또한 Keras 레이어나 모델을 통해 Estimator를 만들 수도 있습니다

also build estimators from the chaos

마지막으로, 저희는 이미 만들어진 추정 법칙 및 즉시 사용 가능한

layers or models and finally we provide pre-made estimators a library of ready

공통 기계학습 알고리즘 라이브러리를 제공합니다

to go implementations of common machine learning algorithms so let's take a look

그럼, 어떻게 작동되는 지 볼까요?

at how this works so first you would

일단, 여러분의 모델을 정의하실 겁니다 이 방식은 아주 쉽고 편리한

often define your model and this is a

모델 정의 방식입니다 지금 보시는 건 콘볼루션 모델입니다

nice and easy way to define your model she was a convolutional model here with

몇 개의 라인이 있고요

just a few lines here now once you've

정의를 하고 나서 보통은 입력 프로세싱을 하죠

defined that often you want to do some

이 경우에는 파일에서 데이터 세트를 로드합니다

input processing so in this case you load your data set from files and we

1.4에서 소개된 훌륭한 API인 tf.data가 있고요 이 API는 입력 과정이 훨씬 수월해 짐과 동시에 화면 밖에서는

have a great API TF data that was introduced in 1.4 that makes it easy for you to process inputs while still

많은 최적화도 가능하게 해 주죠

allowing us to do lots of optimizations

더 세부적인 내용은 이따가 들으실 수 있을 겁니다

behind the scenes and you'll see a lot more detail on this later today as well

이제 모델과 입력 데이터가 있으면

once you have those the model and the

모든 데이터 세트를 반복하고 그라디언트를 계산하고

input data and now you can put them together by iterating over the data set

매개변수를 업데이트 해서 모델과 입력 데이터를 통합합니다

computing gradients and updating the parameters themselves as you can see

여기서 보시다 시피, Python 몇 줄만 가지고 모델과 입력 데이터를

here you really just need a few lines of

통합할 수 있습니다

Python to put these together and in fact

이제 Python과 똑같이 운영되고 Python 디버거를 사용해서

it runs just as Python does and you can

디버그를 하거나 문제 해결을 할 수 있습니다

use your Python debugger to debug that and solve problems as well of course you

Keras에 있는 암묵 지정된 지원 프로그램을 이용할 경우

can do it in even fewer lines by just

더 짧은 라인으로도 가능합니다

using the predefined utilities that we have at Kara's in this case it executes

이 경우에는 그래프에 더해 모든 추가적 최적화 기능까지 더해져

the model as a graph with all the

모델을 실행합니다

additional optimizations that come with it

이것은 단일 기계나 단일 장치에 적합합니다 딥러닝이나 기계학습은 주로 대량 계산이 요구되기 때문에

now this is great for a single machine or a single device now often given the high heavy computation needs for deep

한 대의 가속기나 GPU 혹은 기계 자체로는

learning or machine learning we want to use more than one accelerator or GPU or

충분하지 않습니다

our machines themselves so for that we

이런 이유로 Estimator가 있습니다

have estimators making the same model

여러분이 정의한 같은 모델과 같은 데이터 세트를 가지고

that you define the same data sets that

Estimator를 만들어서 단일 기계의 다중 장치 전반에서

you had you can can build an estimator and really use that to Train across this

훈련하기 위해 쓸 수 있습니다 훌륭하죠

cluster or across the multiple devices on a single machine that's great

그냥 클러스터를 쓰면 안되냐고요?

why not use a cluster why use just a

더 빠르게 훈련할 수 있는데 뭐하러 단일 박스만 사용하나요?

single blob box if you can actually train faster with that this picture

이 사진은 기계학습 모델 훈련에 사용되는 TPU 파트를 보여줍니다

shows a TPU part used for training ml models at scale and again the focus is

다시 한번 말하지만, 핵심은

to really take everything you've been

여러분이 하시던 걸 그대로 가져와서 슈퍼 컴퓨터 전반에

doing and just you know build a teepee

동일한 모델을 적용할 수 있는 TPU estimator를 만드는 것입니다

your estimator that allows you to scale that same model across this entire supercomputer and then finally once

최종적으로, 모델을 훈련하고 나면

you've trained that model you can use

맨 밑에 있는 라인을 내보내서

that one line at the bottom to export

배포해 볼 수 있습니다

that for deployment itself so you know

배포는 아주 중요한 과정입니다

deployment is important you often do

주로 데이터 센터에서 하지만 요즘 추세로는

that in data centers but more and more

휴대폰이나 다른 기기에도 배포를 해야 할 필요가 늘어나고 있습니다

we're seeing the need to deploy this on the phones on other devices as well and

바로 이러한 이유로 TensorFlow Lite가 있죠

so for that we have tens of lowlight the

좀 전에 내보낸 모델을 사용자 지정 포맷으로 변환할 수 있는

model that we just exported we have a

스크립트가 있습니다 기기에 적용 가능하며

script to really convert that to a custom format that's designed for

용량이 작고 빠릅니다

devices that's lightweight and it's really fast to get started with and then

그 후에는 앱에 포함 시켜서

once you have that format you can include that in your application

여기 있는 라인 몇 개와 TensorFlow Lite를 통합해주면

integrate tensorflow Lite with a few lines here and get going you basically

기계학습 예측이 가능하고 여러분이 원하는 모든 작업에

have an application that can do ML

기계학습을 적용할 수 있는

predictions and include ml and whatever

앱을 갖게 되는 것이죠

tasks you want to perform so tensile

TensorFlow는 다양한 플랫폼에서 실행될 뿐 아니라 다양한 언어로도

flow runs not just in many platforms but in many languages as well today I'm

이용 가능합니다, 오늘 스위프트 통합에 대한 발표가 있을 겁니다

excited to add Swift to the mix and it

스위프트를 통합해서 기계학습의 새로운 접근법이 탄생하기도 하죠

brings with it a fresh approach to machine learning

오늘 오후 크리스 라트너씨가

don't miss the talk by Chris Lackner

이 플랫폼을 어떻게 발전시키고 있는 지 자세하게 발표할 것이니 꼭 들어보세요 JavaScript는 웹 개발 커뮤니티와

this afternoon that covers the exciting details of how we are envisioning this platform javascript is a language that's

거의 같은 것입니다

synonymous with the web development

TensorFlow.js를 소개합니다 TensorFlow.js 덕분에 웹 개발자들 커뮤니티에서

community I'm excited to announce tensor flora Jas it's a it's bringing machine

기계학습이 가능해지고 있습니다

learning to this growing community of fix web developers so let's take a brief

간단히 설명하겠습니다 JavaScript에서 여러분에게 익숙한

look at this brings the same tensorflow

TensorFlow운영을 할 수 있고 일반 JavaScript 코드로 부르며

operations that you're used to into JavaScript where you can call them just

자격이 갖춰진 API 레이어를 그 위에 설정할 수 있습니다

as plain JavaScript code and on with the full-fledged layers API on top it also

TensorFlow와 Keras 모델 지원도 가능하기 때문에

includes full support for tensorflow and

가장 적절한 개발을 고르고

caris models so you can pick the most appropriate development and deployment

알맞은 배포 환경을 선택하면 됩니다

environment that works for you so you

그러면 한 환경에서 시작했다가

can start in one place go to the other

다른 환경으로 옮길 수도 있습니다

whichever way you want and none of the

이 API는 WebGL을 통해 브라우저에서 가속화됩니다

covers these api's are accelerated in the browser via WebGL and then the

그리고 Node.js 지원도 곧 출시 준비 중입니다

node.js support is coming soon which

Node.js 지원이 가능해지면 CPU와 GPU에서

will give you the power of all of

모든 TensorFlow의 가속화 또한 가능해집니다

tensorflow tax rate on CPUs and GPUs as well and with that I would like to

이제 우리의 성능 향상 노력을 이끌어 주시는

invite Megan Cachola our engineering

Google Brain의 엔지니어링 총괄 메간 카촐리아를 모시고

director Google brain who leads our performance efforts to talk a bit more

TensorFlow의 성능 개발에 대해 더 들어보겠습니다

about how tensorflow does performance

감사합니다

라자트, 감사해요

thanks ratchet so performance across all

모든 플랫폼 전반에서의 성능은 TensorFlow의 성공에 매우 중요합니다

platforms is critical to tensorflow

메간 카촐리아 엔지니어링 총괄

success first I want to take a quick

우선, 잠시 돌아가서 정리를 해보고

step back and just talk about some of

우리가 TensorFlow의 성능을 평가하면서 어떤 것들을 고려하는 지

the things that we think about when

이야기 해보겠습니다

we're measuring and assessing intent

저희는 항상 실시간 데이터와 시간 대비 정확도를 중요시합니다

flows performance one of the things we try to do is focus on real-world data and time to accuracy it's really

재생산 가능한 벤치마크를 두는 것이 아주 중요합니다

important to have reproducible

그리고 이 벤치마크가

benchmarks we want to make sure those

작업량이나 혹은

benchmarks are actually realistic of the

여러분과 같은 사용자들이

workloads and types of things that users

매일같이 하는 작업을 고려해서

like you are actually doing on a day to

현실적인지 확인합니다

day basis another thing like Rajat

라자트가 이미 말했던 것 처럼

talked about is that we want to make

우리 API가 명확한지 확인합니다

sure we have clean api's and we don't

더 빠르고 멋진 버전을 만들려 하진 않지만

want to have like a fast version and a pretty version of something the fast version is the pretty version and so all

빠른 버전이 곧 멋진 버전입니다

of these api's that we're talking about

저희가 오늘 여러 발표를 통해서

like Rajat is mentioned that we're going to be talking about through various

이야기 할 모든 API는

talks throughout the day today these are

여러분이 TensorFlow에서

the things you can use to get the best

최고의 성능을 즐길 수 있는 도구가 될 것입니다

performance out of tensorflow

어떤 게 빠르고 멋진지 고민하실 필요가 없습니다

so that you don't have to worry about like which one is fast which one is

멋진 걸 사용하면 그게 곧 빠른 것입니다

pretty use the pretty one it is fast

기조연설이 끝나면 바로 데릭씨가

you'll hear about TF data from Derek

tf.data에 대해 발표하실 겁니다

right after the keynote as well as

오후에는 이고르씨가 배포 전략에 대해서 발표하실 겁니다

distribution strategy from Egor later

이것이 바로 우리가 성능이 좋고 명확한 API를 만들기 위해서

today and these are just some great

노력해 온 훌륭한 예시입니다

examples of things we've been pushing on to ensure good performance and clean

일반적으로 저희는 여러분이

api's so in general we want to ensure

어떤 종류의 플랫폼을 사용하든

that you have great performance

훌륭한 성능을 제공하려고 합니다

regardless of what type of platform you

여기서 보시는 것 처럼

might be making use of whether it's a

큰 데이터 센터이든지 아니면 이 사진에서 보시는 것들 중

large data center like what's shown here or maybe you're using something like

하나를 사용하시든지 말이죠

what's shown on the image here you have

GPU를 쓰시든 CPU를 쓰시든

a GPU or a CPU box under your desk maybe

아니면 클라우드 플랫폼이든 휴대기기든 내장기기든요

you're making use of a cloud platform or mobile or an embedded device

여러분이 사용하는 하드웨어의 종류에 상관없이

regardless of the type of hardware

우리는 이 모든 하드웨어에서

you're making you so we want to make

TensorFlow의 성능이 잘 사용될 수 있기를 바랍니다

sure that tensorflow performs well across all of them so now getting to

그럼 이제 수치를 보겠습니다

some numbers because what is the

슬라이드에 써 있는 숫자를 보여드리지 않고는

performance talk if I don't show you

성능에 대해 말할 수 없죠?

slides and numbers so first let's look

우선 모바일 쪽의 성능에 대해 보겠습니다

at things on the mobile side so this is

이 슬라이드에서는 TensorFlow Lite의 성능을 강조하고 있는데요

highlighting tensorflow light

지난 가을 처음으로 출시했었죠

performance so tons of flow light we initially release last fall and there's

자세한 사용법이나

going to be a talk giving a lot more

어떤 생각을 갖고 만들었는 지

detail just about how it works and the

이따가 사라가 더 자세히

things we were thinking of when making

발표할 것인데요

it later today by Sarah but I wanted to

저는 오늘 추론 과정에서의

call out just here the speed ups that we

속도 향상에 대해서 집중적으로 말씀드리고자 합니다

see in inference so a 3x inference

TensorFlow Lite보다 TensorFlow Lite Quantized를 사용할 때

speed-up when using tensorflow like

여기 보여지는 모델을 사용할 경우

quantized versus standard tensorflow

추론 속도가 3배 빨라집니다

light for some of the models called out

또, 여러분이 사용하시는 플랫폼의 종류에 상관없이

here and again it's critical to have

훌륭한 성능을 갖는 것이 중요하죠

strong performance regardless of what

그래서 모바일에서도

platform you're working on and we're

이런 향상을 보게 되어 기쁩니다

really excited to be able to see these gains in mobile in looking past mobile

모바일을 넘어서 하드웨어 관련

just beyond there are a number of

많은 업체들이 확장하고 있습니다

companies in the hardware space which continues to expand the contributions

우리는 이 업체들과 함께

that come out of the collaborations that

작업하면서 기여하고

we have with these companies the

이 업체들이 다시 TensorFlow에

contributions they give back to

크게는 커뮤니티에 다시 기여하는 것은

tensorflow and back to the community at

각 사용자 그룹이 중요시 여기는 그들의 특정 플랫폼에서

large are critical to making sure that

TensorFlow가 잘 작동하도록 하는 것이 중요합니다

tensorflow performs well on these specific platforms for the users that each group really cares about one of the

첫 번째로 Intel을 강조하고 싶습니다 Intel MKL-DNN 라이브러리는 오픈 소스이고

first ones I want to highlight is Intel so there's the Intel MKL DNN library

TensorFlow에 최적화 되어있습니다

which is open sourced and it's highly optimized for tensorflow

이 오픈 소스 라이브러리를 사용해 우리는 다양한 Intel 플랫폼에서

so by making use of this open source library were able to achieve a 3x

추론 속도를 3배로 늘릴 수 있었습니다

inference speed-up on various Intel

여기선 Broadwell과 Skylake를 예로 보여드리고 있고요

platforms I've called out Broadwell and

훈련에서 규모 효율도 엄청나게 상승한 걸 보실 수 있어요

skylake here as well as the great scaling efficiency on training and again

다시 한번 강조하지만 커뮤니티 내에 있는

this is one of those things that really

다른 분들과 협업하는 게

highlights how important it is to have

얼마나 중요한 지 잘 보여주는

strong collaborations with different

예시들입니다

folks in the community and we're really

모든 사용자들과 이런

excited to be able to see things like

협업을 볼 수 있다면 정말 좋겠습니다

this they can go back to all the users I

저희가 NVIDIA와 함께 했던 협업 예시도

wanted to call out a few of the

몇 가지 보여드리고자 합니다

collaborations we've had with Nvidia as

첫 번째로 기대되는 것은

well so one of the first things that

TensorRT입니다 TensorRT는 추론 최적화 프로그램이자

we're excited about is tensor RT sensor RT is an inference optimizer and a

GPU 실행 시간 플랫폼입니다 저희는 NVIDIA와 TensorRT에 대해

runtime for GPU platforms we've been

긴밀한 협업을 해왔습니다

collaborating very closely with Nvidia

TensorRT는 출시 후 얼마 안돼서

on tensor RT 10 so our T's been around

TensorFlow 1.7이 출시되면서 이제는

for a little while but with the tensorflow 1.7 release we now have

TensorRT 빌트인에는 네이티브 지원을 하고있습니다

native support for tensor RT built in

즉, 저지연성과 대량 추론이 가능하다는 의미입니다

and that means you can get low latency

여길 보시면, Native FP32를 일반 TensorFlow와 사용할 때보다

high throughput and friends so here you can see an 8x inference speed-up when making use of tensor RT

TensorRT를 사용하면 추론이 8배 빨라지는 걸 보실 수 있습니다

versus just using native FP 32 with

다시 한 번, 이런 협업을 통해서

standard tensorflow so it's great again to see these types of collaborations

서로 기여한 만큼 다시 돌아오고

that can be done and the contributions

이로 인해 좋은 결과를 낼 수 있었던 것입니다

come back and the great numbers that can be delivered by it looking past

추론에 대해서는 이 정도 이야기하고

inference and going on to some of the

훈련으로 넘어가 보겠습니다

training things so mixed precision

혼합 정확도 훈련은 매우 중요합니다

training is really important as faster

더 빠르고 강력한 하드웨어가 생기면서

and more powerful Hardware comes out

혼합 정확도나 FP16 지원을 사용하면

some of it is optimized such that if you

그 하드웨어에서 최적의 결과를 낼 만큼

use mixed precision or FP 16 support that's how you'll get the best out of

최적화 되었습니다

that hardware one example of this is the

좋은 예로 NVIDIA의 Tesla V100가 있습니다

Tesla V 100 that NVIDIA has so we've

이 강력한 혼합 정확도 훈련 지원 프로그램을 만들기 위해

been working closely to make sure that

긴밀히 협력해 온 이유는 이를 통해 그 하드웨어 최고의 성능을

we have this strong mix mix precision training support so that way you can get

즐길 수 있기 때문입니다

the best performance out of that

이 차트에서 훈련 속도가 3.5배 증가한 것을 보실 수 있습니다

hardware so here you can see a 3.5 X

8xTesla V100박스에서 실행한 것이고 일반 TensorFlow를 사용했을 때 보다

training speed up so this is on an 8 X Tesla view 100 bucks and you can see

혼합 정확도 훈련을 사용했을 때

just the performance improvements when you move to mix precision training

성능이 현저히 증가하는 것을 보실 수 있습니다

versus just using the standard tensorflow scaling efficiency is really

규모 효율 또한 매우 중요합니다

important as well you know obviously we

아시다시피, 우리는 TensorFlow의 성능을 향상시키고자 하고

want to make sure tentacle performs well

보통 여러분은 단일 GPU를 갖고 계신데

maybe you have a single GPU but it

많은 작업량을 입력해도

should keep going regardless of how many

계속 운영되어야 하잖아요

things that you throw at it

그래서 실제 데이터와 임의 데이터를 보고

so we want to make sure that again

임의 데이터를 기준으로 두고

looking at examples for real-world data as well as synthetic data it's great to

실제 데이터 예시가 우리의 예상대로

benchmark on synthetic data but it's very important to make sure we'll use

운영되는지 보는 것이 매우 중요합니다 여기를 보시면 실제 데이터의

cases actually perform as we expect as well so here we're showing 90 percent

규모 효율은 90%이고 임의 데이터의 규모 효율은 95%입니다

scaling efficiency with real data ninety-five percent with synthetic data

DGX-1의 예시이고, 1에서 8개의 GPU를 둔 NVIDIA의 V100 박스 예시입니다

and this is again on DG x1 so an Nvidia box that has a V 100 box that has between 1 and 8 GPUs and you can kind of

여기서 규모를 보실 수 있습니다

see the scaling here but this is

저희가 정말 신경을 많이 쓰고 있는 부분이고요

something that we care a lot about and

저희의 API를 사용해서 규모 효율을 어떻게 하면 더

you're actually going to hear more about

쉽게 만들 수 있는 지 오늘 발표가 더 있을 것입니다

how to get easier scaling efficiency by making use of some of our internal API is later today as well moving past

이제, 클라우드 틀을 보겠습니다

moving on to cloud frameworks I want to

클라우드 TPU에 대해 이야기하고 싶은데요

talk a little bit about cloud CPUs so

클라우드 TPU는 2월에 베타로 출시되었습니다

cloud CPUs was launched in beta in

약 한달 반 밖에 안됐죠

February so just a month and a half ago

이건 Google의 V2 TPU인데요 처음부터 기계학습 작업량을

this is Google's v2 TPU so it's designed from the ground up for machine learning

위해서 만들어졌고 말씀드렸다시피 Google의 클라우드 플랫폼에서

more clothes and it's available via a

이용 가능 합니다

Google cloud platform like I mentioned

몇 가지 수치를 보여드리겠습니다

it's really exciting to look at some of

지금 이 사진에 있는 기기는

the numbers here so this picture is actually showing a device and on a

단일 기기에서 180테라플롭스의 연산이 가능합니다

single device you're able to get a hundred and eighty teraflops of computation but it's not just about the

하지만 단지 연산 능력뿐이 아닙니다

compute power it's about what you can

이걸 가지고 무얼 할 수 있는 가가 중요하죠

actually do on this right it doesn't

아무리 훌륭한 연산 능력이 있어도

원하는 모델을 운영할 수 없으면 아무런 소용이 없죠

if you have amazing compute power but you can't run the types of models that

그래서 현재 이용 가능한 다양한 오픈 소스 참조 모델을

you want so I want to highlight the types of models that reference models

보여드리고자 합니다

that we've already open-source that are

또한 곧 이용 가능해 질

available today as well as a bunch more

많은 모델의 종류들을 보여드리겠습니다

types of models that are coming soon

다시 한 번 강조하지만

again just to highlight the breadth of

이런 하드웨어를 가지고 운영하면

things that you can run on this type of

훌륭한 성능과 높은 정확도를 즐기실 수 있습니다

hardware and get great performance as well as great accuracy

실제로 저희 회사 내부에는

we actually have an internal team that

지속적으로 이 모델들의 성능과 속도를

is continually making sure that these

관리하는 팀이 있습니다

models perform well they perform fast and that they also are training to

또한 정해진 시간 내의 정확성도 훈련합니다

accuracy in the expected amount of time

그래서 그냥 모델을 만들어 놓고

so it's not just about putting the model

오픈 소스를 하고 "이거 쓰세요"하는 것이 아니라

out there and open sourcing it and

커뮤니티에서 예상하는 대로 작동이 잘 되는지 확인하는 거죠

saying here go with it it's about making sure it actually works as the community would expect it to work again some

또 숫자인데요, 성능 이야기를 하면서 수치를 제시하지 않으면

numbers because what good is it if I

아무 소용이 없잖아요? 이 슬라이드에서 강조하고 싶은 건

don't show any numbers in the performance talk so one of the numbers

클라우드 TPU인데요 ImageNet을 76%의 정확도로 훈련하는

here I want to call out on this slide is just that for cloud TP use the cost to

비용이 $85도 안됩니다 그래서 이 플랫폼을 사용해서

Train image not to 76 percent accuracy is under $85 and we think it's really

여러분들이 거둘 수 있는 성과가 어떨 지 정말 기대됩니다

exciting to be able to just see what you can achieve by making use of this platform I also want to call it if you

또한 이 슬라이드에서 볼 숫자는

want more numbers than what's shown here

클라우드 TPU가 ImageNet 훈련에

you can definitely take a look at the

전송한 DAWNBench 엔트리입니다

dawn bench entry that cloud TP you submitted for the image net training one

마지막으로 클라우드 TPU에 대해 강조하고 싶은 부분은

final exciting thing I want to call out

이용 가능한 포드입니다

about cloud GPUs is the availability of

올 해 말에 공개 될 것인데요 그럼 포드가 뭘까요?

pods which will be coming later this year so what's a pod a pod is actually

제가 앞서 보여드렸던 것 처럼 기기 64개가

sixty-four of the devices like I showed

서로 연결되어 있고 11.5 페타플롭의

earlier all wired up together and you get about 11.5 petaflop

연산을 할 수 있습니다 이용 가능한 엄청난 양의

of computation in a pod so that's a lot

연산 능력이죠

of compute power that is going to be available in this and what can you do

그렇다면 이 연산 능력을 활용해서 무엇을 할 수 있을까요?

with that compute power one of the

우리 팀에서는 클라우드 TPU에서 ResNet-50의 정확도를

things that the team has been pushing on is training resonant 50 on a cloud TPU

15분 이내에 훈련하는 것을 추진하고 있습니다

pod to accuracy in less than 15 minutes

그래서 이 하드웨어로

so we're very excited just to be able to

혹은 전에는 불가능했던 이 빠른 속도로

see what can be done with this type of

어떤 것 들을 할 수 있을 지 정말 기대가 됩니다

hardware and just the amazing speed that you can get that wasn't really possible

라자트는 API와 편리성에 대해 이야기 했고

before so regice talked about the api's and just the ease of use and things

저는 여러분께 숫자와 관련된 이야기를 했죠

we're focusing on I've given you some

이 두 가지를 합치면 어떻게 될까요?

fun numbers but what happens when you

TensorFlow가 실제로 뭘 할 수 있을까요?

put it together what content SAR flow

브레인 팀의 대표인 제프 딘이

actually do so I want to invite Jeff Dean who is the leader of the brain team

TensorFlow가 어떻게 실제 문제들을 해결할 수 있는지 발표하실 겁니다

to come up and talk a bit more about how tensorflow addresses real problems

- 마이크 받으세요 - 고마워요 메간, 고마워요

Thanks thanks Megan

기계학습의 아주 멋진 특징은

so I think one of the really remarkable

세계의 실제 문제들을 해결할 수 있는 능력입니다

things about machine learning is its capacity to solve real problems in the

지난 몇 년간 엄청난 발전이 있었는데요

world and we've seen tremendous progress in the last two years in 2008 though the

2008년에 미국공학한림원에서 21세기 공학 도전과제 목록을

US National Academy of Engineering put out this list of grand engineering

공개했습니다, 21세기가 끝나기 전에 이 문제들이 해결 되길 바랬죠

challenges that they were hoping would be solved by the end of the 21st century

14개의 도전과제가 있는데요

it's 14 different challenges and I think

우리가 사회로서 해결 해야 할

it's a really nice list of things we

문제를 잘 보여주는 목록이라고 생각해요

should be aspiring to work on as a

우리가 이 문제들을 모두 해결 한다면

society you know if we solved all these

지구도 건강해지고 인간의 수명도 길어지고

problems our planet would be healthier people would live longer they would be

더 행복해지고 대부분 모든 것들이 더 나아지겠죠

happier and generally things would be

전 기계학습이 이 모든 문제들을 해결하기 위해 도움을 줄 것 같아요

better I think machine learning actually is gonna help us in all of these things

사소한 방법으로는 기계학습이

some in small ways where you know you see machine learning influencing our

우리가 화학 분자에 대해 이해할 수 있게 영향을 준다거나, 이 밖에도 많겠죠

understanding of chemical molecules and so on some in very major ways so I'm

그래서 오늘 두 가지에 대해서 말씀드리겠습니다

going to talk about two of these today

기계학습이 우리가 이 도전과제들을

but I think machine learning will

해결하는 데 많은 도움을 줄 것입니다

actually be a key to helping us attack all of these different areas the two I'm

오늘 제가 이야기 해 볼 두 가지는

gonna talk about our engineering the

과학적 발견의 도구인 공학과

tools for scientific discovery and

발전하는 건강 정보과학입니다

advancing health informatics so first

우선, 과학적 발견의 도구인 공학에 대해서 말해보겠습니다

engineering the tools for scientific

기계학습은 분명히

discovery you know clearly machine

이 도전과제를 해결하려는 우리의 노력을 도와줄 수 있는 요소입니다

learning is going to be a big component of what we do to solve some of these

TensorFlow도 우리 엔지니어들이 과학적 발견을 하도록

challenges and tensorflow itself you can think of as a tool for helping us

도와주는 도구죠

engineer some of these discoveries but

하지만 제가 정말 중요하다고 생각하는 부분은

one of the things that I think is really

기계학습으로 얻을 수 있는 기회는 엄청나지만

important is that there's a lot more

그에 비해 전 세계의 기계학습 전문가의 숫자가 너무 적다는 거죠

opportunity for machine learning then there is machine learning expertise in

오늘 날, 기계학습 문제를 푸는 방법은

the world the way you solve a machine learning problem today is you have some

데이터가 있고, 연산이 가능하고

data you have some computation maybe

GPU나 TPU나 CPU가 있고

GPUs or TP use or CPUs or whatever and

기계학습 전문가가 있어야 하죠

then you have a machine learning expert

기계학습 관련 석사학위가 있거나

someone who's taking a maybe a graduate

TensorFlow를 다운로드해서 쉽게 사용할 만큼

class and machine learning someone who's downloaded tensorflow and

충분히 기계학습에 친숙한 사람이겠죠

is familiar enough to play around with

그런데 전 세계에 이런 사람은 많지 않습니다

it but that's a pretty small set of

이 모든 것들을 잘 섞어서 해결을 할 수 있기를 바라는 거죠 정말 안타까운 건

people in the world and then you stir all this together and you get a solution hopefully so that's the unfortunate

전 세계 수 만 개의 기업에서는

thing about that is there's probably

그들의 생산 환경 문제 해결을 위해

tens of thousands of organizations in the world today that are actually effectively using machine learning in

기계학습을 효과적으로 활용하고 있죠

production environments and really making use of it to solve problems but

하지만 그 보다 훨씬 많은 수 천 만 개의 기업에서는

there's probably 10 million tens of millions organizations in the world that

기계학습에 활용 될 수 있는 전자화 된 데이터가 있는 데도

have data in an electronic form they could be used for machine learning but

내부 전문가나 기술이 없어서 활용을 할 수 없는 거죠

don't really have the internal expertise

그래서 저희가 많은 기대를 갖고 준비하고 있는 것은

and skills so one of the things we're excited about is how can we make machine

기계학습을 훨씬 쉽게 만들어서 많은 전문가 없이도 기계학습을

learning much easier to use so that you don't need nearly as much expertise to

활용할 수 있게 하는 거죠 기계학습 전문가를 대체할 수 있도록

apply it so can we use computation to

컴퓨터 연산을 최대한 활용하는 거죠

replace a lot of the need for that machine learning expertise so we've been

그래서 Auto ML이라고 불리는 기술의 집약체를 만들고 있어요

working on a technique a suite of techniques that we call auto auto ml and

좋은 예로 Neural Architecture Search가 있어요

neural architecture search is one

기계학습 전문가가 하는 일 중 하나는

example of this one of the things that machine learning expert does is they sit

앉아서 특정 문제에 대해

down and they decide for a particular

어떤 모델을 사용할 지 선택하는 거예요

problem how they what kind of model structure they're gonna use for this

ResNet 50를 사용해야 할지

problem is it going to be a you know a

이런 필터 사이즈와 함께 9-layer CMN를 사용할 지

resonant 50 architecture or is it going to be a nine layer CNN with these kinds

그런 것들이죠

of filter sizes and so on it turns out

기계학습을 이용해서 기계학습 모델을

that you can use machine learning to

제시하는 컨트롤러를 최적화할 수 있어요

optimize a controller that proposes

그래서 컨트롤러가 기계학습 모델을

machine learning models and so you can actually have the controller propose

제안하고, 그 모델이 문제를 풀도록

machine learning models train those

훈련해서 어떤 모델이 적합한지 선택할 수 있게 됩니다

models on the problem you care about see which one's work well and which ones

그리고 피드백 신호를 사용해서 모델을 만들어내는 모델의 신호 학습을

don't and then use that feedback signal as a reinforcement learning signal for the

더 강화시킬 수 있는 것입니다 특정 문제에 적합한 모델을

model generating model it can sort of

선택해 나갈 수 있고

steer it towards models that are working well for particular kinds of problems

또 적합하지 않은 모델을 구분할 수 있는 역할을 하기도 하죠

and away from the part of the space where those models don't seem to really

이런 과정을 계속 반복하면 아주 강력한 고품질의 모델을

work very well and if you repeat this a lot of times you can actually get really

선정할 수 있게 됩니다

really powerful high quality models and

조금 이상하게 생겼죠?

they look a little weird so this is not

이건 인간 기계학습 전문가가 만든 건 아니지만

something a human machine learning expert would sit down and sort of

전문가들이 개발한 기계학습이

construct but it has characteristics of things we know that human machine

도움이 되는 점도 있습니다 ResNet 양식을 보시면

learning experts have discovered are helpful so if you think of the resonant

스킵 커넥션 기능이 있어요

architecture it has these skipped

격층으로 건너 뛸 수 있죠

connections that allow you to skip every other layer and so these sort of more

그래서 이 잘 정리된 커넥션은

organic looking kinds of connections are

불필요하게 많은 연산 레이어를 꼭 거치지 않고도

the same fundamental idea which is you want to allow input data to flow more

입력 데이터가 직접적으로 산출 데이터로 이동할 수 있도록 해 주는

directly to the output without

기본적인 아이디어와 같은 것이죠

necessarily going through as much computational layers so the interesting

흥미로운 점은 AutoML이 이런 기능을 잘 한다는 것입니다

thing is Auto ml actually does quite well here so every dot here this is a

이 그래프는 ImageNet의 정확성 대비 연산 비용을 보여줍니다

graph showing computational cost versus

여기 있는 모든 점이 각 위치에서 다른 종류의 교환을 보여줍니다

accuracy for imagenet and every dot here shows you different kinds of trade-offs

보통은 연산을 더 확장할수록

there and generally as you extend more

정확도가 높아지죠

computation you get higher accuracy but

여기 있는 점들은 세계의

every dot here is sort of the work of years of effort a cumulative effort by

컴퓨터 비전 전문가들과 기계학습 연구자들이

수 년 동안 쌓아온 노력의 결과입니다

researchers and computer vision experts in the world and if you look at Auto ml

AutoML을 보시면 다른 모든 종류의

if you run Auto ml you actually get

모델들보다 훨씬 정확하고 더 나은

better accuracy and better computational

연산 교환을 볼 수 있습니다

trade-offs than all of those kinds of

최고의 정확성을 원해서 연산에 많은 비용을 쓰는 경우에도

models that's true both at the high end where you care about our most accuracy

정확성은 AutoML이 훨씬 높습니다

and don't care that much about computational budget but it's also true

마찬가지로 연산 비용을 적게 써도

at the low end where you have very

더 높은 정확도를 얻어낼 수 있습니다

lightweight models where you care about look very low computational cost and high accuracy so that's pretty exciting

정말 기대되는 부분이고 더 많은 자동화 방식으로

I think we this is a real opportunity to

실제 기계학습 문제들을 풀어나갈 수 있는 좋은

use more computation to solve real

기회이고 더 빠르게 많은 문제들을 연산할 수 있게 되겠죠

machine learning problems in a much more automated way so that we can we can solve more problems more quickly we've

실제로 구글의 클라우드 그룹과 함께

actually released this in collaboration

소비자들이 자신의 컴퓨터 비전 문제를 풀 수 있도록 하는 상품을 출시했고

with the cloud group at Google as they as a product that customers can use for

단지 컴퓨터 비전을 넘어서 더 많은

solving their own computer vision problems and obviously we want to

다양한 종류의 문제들을 해결할 수 있는 상품으로 확대하고자 합니다

broaden it out from beyond just computer vision to lots of other kinds of categories of problems okay

다음 주제는 의료정보학의 발전입니다

advanced help them form attics so

기계학습과 헬스케어산업이 만나면

machine learning and healthcare is going

엄청난 영향을 가져올 수 있죠

to be a really impactful combination one

저희가 집중하고 있는 분야는

of the areas that we've been working on

다양한 종류의

is a variety of different medical

의학 영상 문제들입니다 그 중 하나는 안과 분야인데요

imaging problems including one problem

지금 보시는 사진과 같은 걸 통해 당뇨병성 망막증을 진단할 수

in ophthalmology where you're trying to look at an image like this and diagnose

있는 것이죠

whether that image shows signs of diabetic retinopathy this is a serious

중증의 퇴행성 안과 질병이죠

degenerative eye disease 400 million

전 세계 4억명의 사람들이 이 병에 걸릴 위험이 있습니다

people are at risk of this around the

제 때 발견한다면 치료가 가능하죠

world and it's very treatable if it's

하지만 제 때 발견하지 못하면

caught in time but if it's not caught in

시력을 잃을 수도 있어요

time you can actually suffer vision loss so and they're often in many parts of

그러나 세계의 많은 지역에선

the world there just aren't enough

이 사진을 판독해 줄 충분한

ophthalmologists to inspect these images

안과 전문의가 없어요 그래서 저희는 2016년 말에

and so we've done work and with work

면허를 소지한 안과 전문의와 동일한 수준을 가진 모델을

that we published in the very end of 2016 we showed that we had a model that

만들어서 소개한 바 있습니다

was on par with board-certified ophthalmologists and since then we've

그 후로 계속해서 연구하고

been continuing to work on this and

우리의 훈련 데이터를 구분하는 방식을 바꿨습니다

we've changed how do we sort of label

일반 안과의사 대신에 망막 전문가들을

our training data you've gotten retinal specialist to label the the training

모셔서 훈련 데에터를 구분하여 이제는 망막 전문가들과 동일한

data rather than general ophthalmologists and then we actually

실력을 갖춘 모델을 구비했습니다

have a model that is on par with retinal

이제 치료 기준이 훨씬 높아졌고 이제 전 세계 곳곳에

specialists this is a much higher standard of care and we're pretty

이 기술을 전달할 수 있게 되어

excited about this because this means

매우 기쁘고 기대가됩니다

you can bring this and deliver this to lots and lots of places around the world

하지만 더 흥미롭게도

but more interestingly I'm going to tell

여러분께 과학적 발견의 스토리를 하나 들려 드리겠습니다

you a little tale of scientific

저희 망막증 팀에 새로운 팀원이 들어왔는데요

discovery so we had a new person join

이 팀의 릴리 팡 팀장이 몸풀기 삼아서

the the retinopathy team and as a warm-up exercise Lily panghu leads some of this work said that this

새로온 팀원에게 "이 사진을 보고 이 사람의 나이와 성별을 맞춰볼래요?"

new person hey why don't you go off and

라고 했습니다

then see if you can predict age and

그리고 팀장은 속으로 나이를 대충 판독할 수는 있겠지만

gender from these images and she thought maybe you can predict age within a

성별은 절대 알 수 없을 거라고 생각했죠

couple of decades and you definitely shouldn't be able to preach gender so

그래서 AUC가 0.5일 거라고 예상했어요

your AEC should be 0.5 so the person

그런데 그 팀원이

went off and came back a little while

조금 있다가 돌아와서는 "0.7 AUC로

later and they said I can predict gender

성별을 예측할 수 있어요"라고 했어요 그래서 릴리 팀장이 "이상하네요

with a you see 0.7 and Lily was like mmm that's weird

잘못된 것 같은데요, 일단 돌아가셔서

that must be bro lunch go off and come

다시 확인해보세요"라고 말했습니다

back later and just double check of it

그래서 그 직원이 다시 와서는 "이제 AUC가 0.85입니다"라고 했어요

in so he come back and they said my AUC is now 0.85 and so that got got us

그래서 도대체 이 망막 사진으로

thinking and we investigated what other

우리가 무엇을 예측할 수 있는 건지 알아보게 되었어요

kinds of things we could predict from

알고 보니 이 망막 사진을 가지고 심혈관 질환을 나타내는

these retinal images and it turns out that you can predict a variety of

아주 다양한 특징들을 예측할 수 있었던 거죠

different things that are indicated of cardiovascular health you know your age

그 중 나이나 성별도 포함되고요

and gender our symptoms are signs of

헤모글로빈 수치와 같은 많은 것들을 알 수 있었어요

cardiovascular health as are things like your hemoglobin level lots of things

이제 비외과적인 방법으로 검사를 할 수 있게 된 거예요

like this we now actually have a new non-invasive test for cardiovascular

보통은 피도 뽑고 실험실에서 검사도 해야 했죠

health normally you'd have to draw blood and do lab tests for this but now we can

하지만 이제는 사진만 가지고 할 수 있게 되었다는 게 참 대단하죠

actually do this just from an image which is pretty cool we're also doing a

이 밖에도 많은 질병 예측과 관련된 여러 연구를 하고있어요

bunch of work on predictive tasks for

그렇다면 환자의 의료 기록을 가지고 미래를 예측할 수 있을까요?

healthcare so given a patient's medical record can we predict the future this is

의사들이 원하는 것이겠죠 환자의 건강이 앞으로 어떻게

something doctors want to do you want to

유지될 것인지 알고 싶고 많은 질문들에 대한 정답을 알고 싶죠

understand how your patients going to progress and you want to be able to

예를 들어 "지금 이 환자를 퇴원시키면

answer lots of kinds of questions will the patient be readmitted if I release

나중에 재입원을 해야할까? 어떤 진단을 내리는 게 좋을까?

them from the hospital now what are the

지금 이 환자에게 어떤 검사가

most likely diagnosis I should be thinking about what tests should be

가장 적절할까?"와 같은 질문들 말이죠

considered for the station right now lots of questions like that and we've

그래서 저희는 헬스케어 기관들과 협력하여 익명 처리 된

been collaborating with several

의료 기록을 가지고 무엇을 예측할 수

healthcare organizations to work on de-identified medical records to see if

있을지 연구했습니다

we can predict these kinds of things and

1월, 작은 저자 아카이브 논문을 발표했습니다

in January we posted a many author

다양한 종류의 작업을 연구했고

archives paper and we we looked at a lot

오늘 어떤 환자들이 가장 위험한 질병을 가졌는 지를 예측할 수 있는

of these different kinds of tasks I'll highlight just one of them here which is predicting which patients are most at

몇 가지만 소개하겠습니다

risk for mortality and using this we're

이걸 사용하면 실제로

able to actually predict which patients

어떤 환자가 가장 중증의 병을 가졌는지

are most seriously at risk 24 hours

현재 사용 중인 의학 기술보다 24시간 더 빠르게 예측할 수 있어요

earlier than the clinical baselines that

그러면 의사들이 24시간 미리 이 정보를 받게 되고

are currently in use and so that really means the doctors get 24 hours of

정말 긴급하게 치료를 받아야 할

advance notice to really pay attention to those patients that are that are

중증 환자들을 치료할 수 있습니다

critically ill and really need their close attention and close

바로 이 예가 의학 분야에서 기계학습이 가져올 수 있는 지표입니다

I was watching this is indicative of what machine learning can do for this and if you yelled in general the Google

보통, Google Brain팀은 기계의 지능을 갖도록 하고 이 기술로

brain teams mission is to make machines

사람들의 삶의 질을 향상시키도록 노력하는 임무를 갖고있죠

intelligent and then use that ability to

이 것들이야 말로 실제 기회의 훌륭한 예라고 봅니다

improve people's lives I think these are good examples of where there's real opportunity for this I'm going to close

한 이야기를 들려드리면서 마무리 하겠습니다

with a bit of a story so when I was five

저는 5살 때 우간다의 북서부에 일 년 동안 살았습니다

years old I lived in north western

이 지역에는 카사바라는 뿌리식물이 있었습니다

Uganda for a year and the local crop there is a route called cassava and I

어렸을 때라서, 나가서 카사바를 캐는 것을 좋아했어요

was five so I like to go out and help help people picks cassava but it turns

그런데 이 카사바와 기계학습이 합쳐지면 멋진 그림이 나와요

out that machine learning and cassava have a kind of cool twist together so

영상 틀어주세요

here please roll the video cassava is a

<i>카사바는 아주 중요한 농작물입니다</i>

really important crop it provides for

<i>5억명 아프리카 인구의 매일 식량이죠</i>

over 500 million Africans every day when

<i>다른 식물 재배가 어려웠을 때도</i>

all other crops fail farmers know that

<i>농부들은 카사바만은 잘 될 것이라고 믿었습니다</i> 카사바의 가장 큰 문제는 질병입니다

they could rely on their cassava plants to provide them food not going to go any

<i>카사바에 영향을 주는 질병이 있는데</i>

home there are several diseases that

<i>이 질병으로 카사바를 식용으로 쓸 수 없게 됩니다</i>

affect cassava and these diseases makes the fruit an edible it is very crucial

실제로 이 질병을 관리하고

to actually control and manage these

<i>통제하는 것이 매우 중요해요</i>

diseases so we're trying to use machine

그래서 저희는 기계학습을 활용해서 이 질병에 대응하려고 해요

learning to respond to those diseases

<i>우리의 솔루션으로 TensorFlow가 최고의 기반기술입니다</i>

and tensorflow is the best foundation for our solutions the apps that we've

저희가 설계한 앱으로 다양한 질병을 진단할 수 있게 되었어요

designed can diagnose multiple diseases

<i>nuru라는 앱인데요 스와힐리어로 빛이라는 뜻이에요</i>

it's called narew it's what he leave for

<i>농부들이 문제의 해결책을 찾는 데</i>

life the light that farmers can use to

<i>쓰이는 빛이죠</i>

see their problems and find solutions

<i>특정 잎에 휴대폰을 갖다 대고 보면</i>

you wave your phone over at a specific

<i>증상이 있을 경우 어떤 문제가 있다는 창이 휴대폰 화면에 떠요</i>

leaf look at it and if it has a symptom but box will pop up saying you have this

<i>진단을 받고 나면</i>

problem when you get a diagnosis we have

<i>조언을 얻고 최선의 관리 방법을</i>

an option for you to get advice and

<i>알 수 있는 옵션이 주어져요</i>

learn about the best management

저희가 사용하는 TensorFlow의

practices the object detection that we

<i>물체 감지 기능은 우리 팀에서 설정한 주석 이미지를 통해 가능합니다</i>

use to tensorflow relies upon our team annotating images

<i>5천 개가 넘는 카사바 질병의</i>

we've collected over 5,000 high quality images of different cassavetes diseases

<i>고화질 이미지를 수집했어요</i>

for this project we use a single shot

<i>모바일 넷 양식으로 단일샷 감지 모델을 사용해요</i>

detector model on a mobile net

<i>예측하는 데 1초도 안 걸려요</i>

architecture it's able to make predictions in less than one second and

<i>수 천개의 코드를 입력하는 대신에</i>

having to implement thousands of lines

TensorFlow는 훨씬 더 짧은 시간 안에

of code tensorflow provides a library of

<i>양식을 만들 수 있는 기능 라이브러리를 제공합니다</i>

functions that allow us to build architectures in much less time we need

<i>어떤 커넥션 없이도</i>

something that can be deployed on a

<i>휴대폰에서 실행할 수 있는 앱이 필요했어요</i>

phone without any connection tensorflow

<i>TensorFlow는 여러분의 모바일기기로도 사용할 수 있는</i>

is able to shrink these Ural networks to

<i>신경망을 제공합니다</i>

be able to fit on your mobile device the

<i>인간의 입력이 매우 중요하죠</i>

human input is absolutely critical we're

<i>저희는 여러분의 경험을 증강시켜주고 일을 더 편리하게 만들어 주는 것을</i>

really building something that augments

만들고 있습니다

your experience and makes you better at

<i>인공지능 툴과 기계학습으로 수확량을 늘릴 수 있고</i>

your job so with AI tools and machine learning you can improve the yields you can

<i>농작물을 보호하고, 훨씬 안정적인 음식의 원천을 얻을 수 있습니다</i>

protect your crops and you can have a much more reliable source of food

<i>인공지능은 전 세계 수 억명 농부의 삶을 완전히 바꿔놓을</i>

ai offers the prospect to fundamentally

<i>가능성을 갖고 있습니다</i>

transform the life of hundreds and millions of farmers around the world

기술로 질병을 감지하는 것을 제가 직접 봤습니다

when LM abundantly onna when you love

<i>우리 제품으로 누군가의 삶이 더 나아지는 걸 실제로 볼 수 있죠</i>

somebody you can see a product that can actually make someone's life better this

<i>이는 정말 혁명입니다</i>

is kinda revolution [Music]

멋지죠? 오늘 자리에 탄자니아에서 오신 IITA팀과

pretty cool and I think we have some

펜실베니아대학교에서 오신 분들이 계시는데요, 손 좀 흔들어 주세요

members of the Penn State and IIT a teams from Tanzania here today so if you could all stand up or waiver and I'm

저희와 함께 이야기 나누어 주실 겁니다

sure they'd be happy to chat with you

fantastic I'm sure they'll be happy to

쉬는 시간 동안 영상에서 보신 기술에 대해서

chat with you at the break about that

이야기나누어 보세요

work so [Music] [Music]

Similar videos:

Keynote (TensorFlow Dev Summit 2017)
Google for Developers
116.3K views 1.1K likes 25 dislikes 15 Feb 201767% match

Introducing TensorFlow 2.0 and its high-level APIs (TF Dev Summit '19)
TensorFlow
305.4K views 4.4K likes 0 dislikes 06 Mar 201936% match

The web ahead
Chrome for Developers
5.3K views 105 likes 3 dislikes 21 Dec 202030% match

Synology 2021 — System Management with DSM 7.0
Synology
99.7K views 1.2K likes 49 dislikes 07 Dec 202028% match

Appelboom on Tour: Luca Baglione (CEO of Scribo) + Giveaway!
Appelboom Pennen
1.4K views 98 likes 1 dislikes 28 Oct 202028% match

How to REALLY make Windows 10 Super Light for Gaming
LowSpecGamer
2M views 57.7K likes -1 dislikes 08 Feb 201928% match

Mining City Newsroom with Mining City CEO - Greg Rogowski
Mining City
17K views 713 likes 17 dislikes 29 Oct 202028% match

Fuji XA7 vs Sony ZV1 Comparativa a fondo
GTechMx
5.8K views 64 likes 12 dislikes 15 Nov 202027% match

Cozy Routine that Keeps us Happy and Motivated [SUB]
Danny and Aaron
868K views 41.1K likes -1 dislikes 03 May 202027% match

TensorFlow Fall 2020 updates: Keynote & what’s new since TF2.2
TensorFlow
14.8K views 502 likes 11 dislikes 18 Nov 202027% match

5 Pertanyaan Terbaik Event Live Chat AMA ICA #1 17 September 2020
VIC Rewards Official Channel
8.9K views 7 likes 0 dislikes 22 Sep 202027% match

Make Money Per Word You Type (How To Earn Money Online 2021)
Gark
14.7K views 967 likes 41 dislikes 24 Jan 202127% match

Google I/O Keynote (Google I/O '17)
Google for Developers
3.3M views 28.6K likes 4.4K dislikes 17 May 201727% match

"New Avengers Game" | Square Enix Teases Trailer for E3?! | More development Updates
RandomBlackGamer
618.7K views 5.8K likes -1 dislikes 23 Feb 201926% match

25 Things to do in Toronto Travel Guide
Samuel and Audrey - Travel and Food Videos
1.7M views 14.7K likes 854 dislikes 26 Jul 201626% match

DOCTOR EXPLAINS COVID-19 (CORONAVIRUS)
Violin MD
1.7M views 42.4K likes -1 dislikes 21 Mar 202026% match

New and Reinvented Amazing Selling Machine 11: 2019 - 2020 Top Amazon Business Course

447 views 12 likes 1 dislikes 17 Sep 201926% match

Now Go Build with Werner Vogels – S1E1 Jakarta | Amazon Web Services
Amazon Web Services
1.5M views 1.3K likes 233 dislikes 29 Nov 201826% match

ALL ABOUT ARCHERS: Rage, Talents, Pairings [ft. Hova] - Rise of Kingdoms
Wick Gaming
15.3K views 659 likes 8 dislikes 09 Mar 202126% match

PORSCHE CAYMAN 987 REVIEW | Best Entry Level Porsche?
KHTV
21.5K views 289 likes 14 dislikes 15 Oct 202026% match

Amos Winter: The cheap all-terrain wheelchair
TED
447K views 3.7K likes 177 dislikes 20 Nov 201226% match

After watching this, your brain will not be the same | Lara Boyd | TEDxVancouver
TEDx Talks
33.4M views 377.8K likes 18.6K dislikes 15 Dec 201526% match

Samsung Q60A vs Samsung Q60T TV Comparison
Tech Steve
159.6K views 2.3K likes 60 dislikes 30 Mar 202126% match

How KaiOS Is Becoming the 3rd Major Mobile OS
TechAltar
1.3M views 31K likes 1.3K dislikes 24 Jul 201826% match

MAINTENANCE ON A NEW PLANTED AQUARIUM - THE FIRST 2 MONTHS - STEP BY STEP TUTORIAL
Green Aqua
110.2K views 3.8K likes 41 dislikes 13 Jan 202126% match

Earn $600 Per Day To Watch YouTube Videos 2021 (Make FREE PayPal Money For Watching Online)
Gark
36.3K views 1.5K likes 102 dislikes 31 Mar 202126% match

4000° PLASMA LIGHTSABER BUILD (RETRACTABLE BLADE!) | Starwars | Reaction| MR Halal Reacts
MR Halal
6.6K views 159 likes 22 dislikes 09 Oct 202026% match

I Built a Small Planted Aquarium With RED PLANTS ONLY! - Aquascaping Tutorial
Green Aqua
81K views 3.5K likes 40 dislikes 27 Jan 202125% match

Cấu trúc dữ liệu - Khoa học máy tính tập 14 | Tri thức nhân loại
Tri Thức Nhân Loại
6.7K views 280 likes 2 dislikes 12 Dec 202025% match

Capitalism and Socialism: Crash Course World History #33
CrashCourse
9.6M views 119.9K likes 12.3K dislikes 06 Sep 201225% match

Settings Privacy About Contact Donate