Sa loob ng google's ai rewrite: pag-aaral ng machine ng gusali sa lahat

Ang Makoto Koike ay isang magsasaka ng pipino sa Japan. Si Koike ay isang dating naka-embed na system designer na gumugol ng maraming taon na nagtatrabaho sa industriya ng sasakyan ng Hapon, ngunit noong 2015 siya ay bumalik sa bahay upang makatulong sa bukid ng pipino ng kanyang mga magulang. Kalaunan ay natanto niya na ang manu-manong gawain ng pag-uuri ng mga pipino sa pamamagitan ng kulay, hugis, sukat, at mga katangian tulad ng "thorniness" ay madalas na trickier at mas mahirap kaysa sa paglaki ng mga ito. May inspirasyon ng malalim na pag-aaral ng malalim na pag-aaral ng artipisyal na intelligence (AI) software ng Google, na naka-set up upang i-automate ang gawain.

Ang mga negosyo ay nagsisimula upang ipatupad ang praktikal na AI sa lahat ng mga uri ng mga paraan, ngunit ligtas na sabihin na walang nakakita sa solusyon ng pag-uuri ng AI ng Koike na darating. Si Koike ay hindi kailanman nagtrabaho sa mga diskarte sa AI ngunit ngunit, gamit ang bukas na mapagkukunan na pag-aaral ng TensorFlow machine (ML) library, sinimulan niya ang pag-input ng mga imahe ng mga pipino. Salamat sa mga algorithm ng pangitain sa computer para sa pagkilala sa mga bagay at malalim na pag-aaral upang sanayin ang TensorFlow sa mga nuances ng iba't ibang mga pipino, natanto ni Koike na maaari itong makilala at ayusin ang mga gulay na may mataas na antas ng kawastuhan. Pagkatapos, sa pamamagitan ng paggamit ng walang anuman kundi ang TensorFlow at isang murang computer ng Raspberry Pi 3, nagtayo si Koike ng isang awtomatikong pag-uuri ng makina na ginagamit ng bukirin ngayon.

Ang TensorFlow ay isa sa maraming mga bukas na mapagkukunan na mga algorithm at mga tool na nagbabago sa kung ano ang malulutas ng mga negosyo at developer gamit ang AI. Ang kumpanya ay pinalawak sa misyon nito upang "dalhin ang mga benepisyo ng AI sa lahat" sa paglabas ng Google.ai sa Google I / O conference, na pinagsama ang lahat ng mga mapagkukunan ng AI sa isang pinag-isang platform. Isinasama rin ng Google ang mga pamamaraan na ito at mga interface ng application programming (APIs) sa lahat ng ginagawa nito, pagluluto ng ML sa mga produkto nito at panimulang muling tukuyin kung paano gumagana ang software nito sa proseso.

Kamakailan ay binisita ng PCMag ang Googleplex at nakipag-usap sa mga executive mula sa G Suite, Google Cloud Platform (GCP), at ang Machine Learning Advanced Solution Lab (ML ASL) ng kumpanya tungkol sa kung paano muling itinatayo ng Google ang sarili nito sa AI.

Artipisyal na Intelligence Saanman

Sabihin nating ang isa sa iyong mga customer ay nagkakaroon ng isyu. Ang isang ahente mula sa departamento ng helpdesk ng iyong kumpanya ay nasa isang live na chat sa customer sa pamamagitan ng isang chat app na nag-iimbak ng data sa Google Cloud Platform. Upang matulungan silang malutas ang isyu, kailangang ipadala ng gumagamit ang ahente ng ilang sensitibong personal na data. Ngayon sabihin natin na ang customer ang iyong lola. Humihiling ang rep service ng customer ng lola para sa ilang mga piraso ng data, ngunit sa halip, ipinapadala ng lola ang higit pang impormasyon kaysa sa kailangan niya kapag nag-upload siya ng larawan ng kanyang social security card sa chat.

Sa halip na pag-archive ng Google na personal na makikilalang impormasyon (PII), ang larawan ay nagpapakita ng numero ng seguridad sa lipunan at iba pang PII awtomatikong nabuo. Ang ahente ay hindi kailanman nakakakita ng anumang impormasyon na hindi nila kailangan at wala sa data na iyon ang pumapasok sa naka-encrypt na archive ng Google. Sa panahon ng isang demo ng teknolohiya ng DLP API sa punong-himpilan ng Google sa Mountain View, Calif., Hinila ng kumpanya ang kurtina kung paano sinuri ng mga algorithm ng ML ang teksto at mga imahe upang maganap ito.

Rob Sadowski, Trust and Security Marketing Lead para sa Google Cloud, ipinaliwanag na ang awtomatikong pag-redaction ay pinalakas ng data loss prevention (DLP) API na nagtatrabaho sa ilalim ng ibabaw upang maiuri ang sensitibong data. Ginagawa ng algorithm ang parehong bagay sa data tulad ng mga numero ng credit card, at maaari ring suriin ang mga pattern upang makita kung ang isang numero ay pekeng. Ito ay isa lamang halimbawa ng banayad na diskarte ng Google ng paghabi sa AI sa mga karanasan nito, at pagbibigay sa mga negosyo at developer tulad ng Koike na mga mapagkukunan na gawin ang pareho.

Malayo ang Google mula sa nag-iisang tech na gusali ng isang nag-uugnay na layer ng intelektwal sa software nito ngunit, kasama ang Amazon at Microsoft, ang Google ay may argumento na ang pinakalat na kalat ng mga tool na katalinuhan na batay sa ulap at serbisyo na magagamit. Paghiwa-hiwalayin ang mga produkto ng kumpanya, maaari mong makita ang Google Assistant at iba't ibang mga API sa ML at computer na ginagamit lamang sa lahat ng dako.

Gumagamit ang Google Search ng mga algorithm ng ML sa sistema ng RankBrain AI upang maproseso at pinuhin ang mga query, muling pagraranggo at pagsasama-sama ng data batay sa isang host ng pagbabago ng mga kadahilanan upang patuloy na mapabuti ang kalidad ng mga resulta ng paghahanap. Gumagamit ang Google Photos ng pangitain sa computer upang magkasama ang mga nauugnay na larawan sa mga alaala at pagsamahin ang maraming mga pag-shot ng parehong lokasyon sa mga panorama. Binibigyan ng inbox ang mga gumagamit ng awtomatikong nabuo ng Smart Replies upang pumili, at mag-ibabaw ng mga kaugnay na email sa pamamagitan ng pag-bundle ng magkatulad na mga kategorya. Ang bagong Google Allo chat app ng kumpanya ay kasama ang Google Assistant na binuo. Ang listahan ay nagpapatuloy.

Ang lahat ng mga app na ito ay tumatakbo sa imprastraktura ng ulap ng Google, at ang kumpanya ay nag-aaplay kahit sa ML sa mga sentro ng data nito upang mabawasan ang pagkonsumo ng kuryente sa pamamagitan ng pag-aayos ng mga bomba sa paglamig batay sa data ng pag-load at panahon. Sinabi ni Sadowski na nagsisilbi rin ito bilang pangwakas na layer ng pagtatanggol sa diskarte sa seguridad ng Google, kung saan gumagamit ang kumpanya ng intelligence ng makina at pag-iskor sa panganib sa loob ng stack ng seguridad nito upang matukoy kung ang isang sistema ay nakompromiso gamit ang predictive analytics.

"Kinukuha ng Google ang lahat ng mga modelong ML at AI na binuo namin at itinuturo ang mga ito para sa seguridad, " paliwanag ni Sadowski. "Ang pagbabago ng seguridad ay higit na radikal kaysa sa karamihan ng mga sektor ng IT. Ang mga produkto na naging pangunahing bahagi ng iyong impormasyong pangseguridad tatlo o apat na taon na ang nakakaraan tulad ng mga firewall at proteksyon ng endpoint ay mahalaga pa rin, ngunit nais naming magbigay ng depensa nang malalim, sa scale, at sa pamamagitan ng default sa isang multi-nangungupahan na imprastraktura na may milyon-milyong mga pang-araw-araw na aktibong gumagamit.

"Nagsisimula ito sa pinagbabatayan ng data center hardware, " patuloy ni Sadowski. "Sa tuktok ng iyon ay ang mga serbisyo ng aplikasyon at pagpapatunay na may ganap na naka-encrypt na data at komunikasyon. Sa itaas ng pagkakakilanlan ng gumagamit. At ang huling layer ng pagtatanggol ay kung paano kami nagpapatakbo sa 24/7 pagsubaybay, pagtuklas, at pagtugon sa insidente. Paano ito namin lutasin ang mga bagay tulad ng ligtas na malayuang pag-access kasama ang proxy ng kamalayan ng pagkakakilanlan.Ito ang programmatic na serbisyo ng DLP sa paghahanap at pag-iwas sa mga tagas ng data at pagtulong sa pamamahala ng data pati na rin ang seguridad. "

Isang Mas Matalinong G Suite

Ang ML ay naka-embed din sa buong apps ng produktibo ng G Suite ng Google. Si Allan Livingston, Direktor ng Pamamahala ng Produkto para sa G Suite, ay sinira ang ilan sa mga paraan na ginagawa ng AI ang G Suite na mas matalino at higit pa sa konteksto nang hindi napagtanto ng mga gumagamit.

"Isipin kung paano pinagsama ng G Suite ang lahat ng mga application na ito nang magkasama sa isang natural na isinamang paraan, " sabi ni Livingston. "Sinimulan mo ang iyong trabaho sa isa sa mga ito at dumadaloy kung naaangkop. Binubuksan mo ang isang attachment ng Gmail sa Drive, at dadalhin ka nito sa Docs; awtomatiko talaga ito.

"Sinusubukan naming isipin ito para sa gumagamit at may kinalaman din sa pag-aaral ng makina. Nagsimula kami sa mga matalinong tugon sa Inbox at nagkaroon kami ng mahusay na tagumpay sa Gmail, at humantong sa tampok na Galugarin sa Mga Doktor, Sheet., at Mga slide. "

Natapos ang huling pagkahulog, Galugarin ang nalalapat ang pagproseso ng natural na wika (NLP) sa karanasan sa pagiging produktibo ng in-app. Sa Dok, binibigyan ka ng Galugarin ka ng mga agarang mungkahi batay sa nilalaman sa iyong dokumento at awtomatikong inirerekumenda ang mga kaugnay na paksa at mapagkukunan. Sa Mga Slide, bumubuo ito ng mga mungkahi sa disenyo upang maputol sa pag-format ng pagtatanghal. Ang pinaka-kagiliw-giliw na kaso sa paggamit, gayunpaman, ay nasa Mga Sheet. Ipinaliwanag ni Livingston kung paano gumagamit ng Explore ang ML upang gawing simple ang mga pagsusuri ng data at mga pananaw sa negosyo (BI).

"Ang maraming mga gumagamit ay hindi alam kung ano ang tulad ng isang talahanayan ng pivot o kung paano gamitin ito upang mailarawan ang isang sheet ng data, " paliwanag ni Livingston. "Sabihin natin na nakikipag-ugnayan ka sa data ng mga benta para sa isang customer, kung saan ang bawat hilera ay isang item na naibenta. Galugarin na mag-type ka ng mga natural na query sa wika tulad ng 'Ano ang nangungunang item sa Black Friday?' at binura ang tugon tulad ng 'Ibenta mo ang 563 na pares ng pantalon.' Natugunan namin ang pagsusuri ng data sa isang paraan na makatipid ng oras sa paggawa ng mga desisyon na hinihimok ng data, gamit ang pag-aaral ng makina upang mapagbuti ang isang karaniwang problema sa isang natural na paraan. "

Isang demo ng tampok na Galugarin sa Sheets, mula sa kumperensya ng Google Cloud NEXT nitong nakaraang Marso.

Ayon kay Livingston, plano ng Google na palawakin ang ganitong uri ng paghahanap ng ulap na hinihimok ng ML sa mga ikatlong partido at simulan ang pagbuo ng isang ekosistema sa paligid nito. Ang overarching na ideya ay isang pangkaraniwang tema sa praktikal na AI: automating manual na mga proseso upang palayain ang mga gumagamit para sa mas malikhaing gawa. Ang ideyang iyon ay nasa gitna ng karamihan ng mga apps ng apps sa ML: upang i-automate ang paulit-ulit na mga proseso ng negosyo at pang-araw-araw na gawain, kabilang ang pag-uuri ng pipino.

"Sa negosyo at sa mga mamimili, ang mga gumagamit ay may mga likas na pattern ng pakikipag-ugnay na ito. Ang paglipat sa ulap at sa pagiging produktibo ng mobile ay talagang nagbabago sa paraan ng pagtatrabaho ng mga tao, at ang mga inilapat na diskarte sa pag-aaral ng makina ay pangunahing mahalaga dito, " sabi ni Livingston. "Dahil sa aming lakas sa pag-aaral ng makina, dahil sa aming mga produkto na nagsisilbing isang base, dahil sa lahat ng data sa aming ulap, nasa isang natatanging posisyon kami upang ilapat iyon at sukat nang walang hanggan."

Paggawa ng Revolution ng Revolution Learning

Ang pundasyon ng lahat ng ginagawa ng Google sa paligid ng AI ay naka-ugat sa mga API, algorithm, at mga tool na bukas na mapagkukunan. Ang aklatan ng TensorFlow ng kumpanya ay ang pinaka-malawak na ginagamit na tool sa ML sa GitHub, spawning apps tulad ng pipino sorter ni Koike. Ang suite ng mga API na pinagbabatayan ng Google Cloud-algorithm na sumasaklaw sa pangitain ng computer, intelligence ng video, pananalita at NLP, paghula sa paghula, at malakihang ML sa pamamagitan ng Google Cloud Machine Learning Engine - ay ang teknolohiyang nagbibigay lakas sa bawat tampok ng AI na isinama sa mga apps at serbisyo ng Google at ngayon ang platform ng Google.ai din.

Si Francisco Uribe, Tagapamahala ng Produkto para sa AI / ML koponan ng Google Cloud, ay gumagana sa gitna ng engine na muling pagsulat kung paano gumagana ang Google. Pinangangasiwaan ni Uribe ang nabanggit na ML ASL ng Google, isang lab na may isang nakaka-engganyong programa kung saan ang mga eksperto sa Google ML ay direktang nagtatrabaho sa mga negosyo upang ipatupad ang mga solusyon sa AI. Sa pamamagitan ng paggamit ng mga API ng Google at Cloud ML Engine, ang lab ay gumagana sa mga negosyo upang sanayin at i-deploy ang kanilang sariling mga modelo sa paggawa.

Si Uribe ay nagtrabaho sa espasyo ng AI nang higit sa isang dekada. Itinatag niya ang BlackLocus, isang startup na hinihimok ng data na nagtayo ng isang awtomatikong engine ng pagpepresyo para sa mga nagtitingi, na nakuha ng Home Depot noong 2012. Pagkatapos nito, sumali siya sa Google at nagtrabaho sa apat na taon sa koponan ng Search Ads na nag-aaplay ng ML upang mapagbuti ang karanasan ng ad . Noong 2016, lumipat siya sa isang papel na pananaliksik na nagpapatakbo sa ML ASL at kumilos bilang isang tagapayo sa Launchpad Accelerator ng Google. Sinabi ni Uribe na patuloy siyang nagulat sa kung paano gumagamit ng mga tool at Google ang mga negosyo at developer.

"Nakita namin ang paggamit ng mga kaso sa buong board - mula sa pangangalaga sa kalusugan at pananalapi hanggang sa tingian at agrikultura, " sabi ni Uribe. "Sinusubukan naming tulungan ang mga customer na mapagbuti ang mga kakayahan sa pagdama. Pagsasalin ng pagsasalita, pagsusuri ng imahe, mga API ng video, natural na wika: lahat sila ay bahagi ng pag-demokrasya ng pag-access sa machine at malalim na pag-aaral ng algorithm, na sa wakas ay nagpasok ng kakayahang magamit."

Ang ML ASL ay nakipagtulungan sa HSBC Bank plc, isa sa pinakamalaking organisasyon ng serbisyo sa pagbabangko at pinansyal sa buong mundo, sa mga solusyon sa ML para sa anti-money laundering at mahuhulaan na pagmamarka ng kredito. Ang ML ASL ay nagtrabaho din sa United Services Automobile Association (USAA), isang Fortune 500 na pinansyal na serbisyo ng grupo ng mga kumpanya, upang sanayin ang mga inhinyero ng samahan sa mga diskarte sa ML na inilalapat sa mga tukoy na sitwasyon sa seguro. Ginamit ng eBay ang mga tool ng Google upang sanayin ang kanyang katulong sa ShopBot digital. Kapag nagtatrabaho ang ML ASL sa isang kumpanya, ipinaliwanag ni Uribe ang apat na mga haligi na bumubuo sa proseso.

"Kailangan mo ng isang malakas na pag-aalok ng compute upang harapin ang matinding mga kinakailangan ng mga trabaho sa ML, at ang ipinamamahagi ng hibla ng optika ng GCP ay gumagalaw ng data mula sa node sa node nang napaka mahusay, " sabi ni Uribe. "Mayroon kaming Cloud Machine Learning Engine upang matulungan ang mga modelo ng tren sa mga customer. Tinutulungan namin ang mga customer na maipatupad ang data na may access sa pamayanan ng Kaggle ng 800, 000+ mga aktibong siyentipiko ng data. Sa wakas, kailangan mo ang talento na naroroon, kaya sa bahagi ng pananaliksik ng mga bagay, mayroon kaming Brain Residency Program upang sanayin ang mga inhinyero sa kumplikadong ML kurikulum. Nakita namin ito bilang mga bloke ng gusali upang matulungan ang mga customer na bumuo ng mga intelektwal na aplikasyon. "

Ang lahat ng ito ay nagpapakain sa bukas na mapagkukunan ng komunidad at third-party na ekosistema na itinatayo ng Google sa paligid ng teknolohiyang AI nito. Inihayag pa ng kumpanya ang isang kumpetisyon sa pagsisimula sa ML nang mas maaga sa taong ito, na nagkakaloob ng hanggang $ 500, 000 sa pamumuhunan sa mga startup ng ML. Napag-usapan ni Uribe ang ilan sa mga makabagong aplikasyon na nakita na niya sa teknolohiya ng Google at kung saan maaaring magsinungaling ang iba pang mga posibilidad.

"Sabihin nating ikaw ay isang kumpanya ng serbisyo ng customer na analytics. Mag-isip tungkol sa isang API ng pagsasalita upang ma-transcribe ang nilalaman ng mga tawag, at pagkatapos ay pagsusuri ng sentimento upang mapagbuti ang kalidad ng iyong serbisyo sa customer, " sabi ni Uribe. "Gumamit ng API ng pangitain upang kumuha ng larawan ng isang sign sa kalye sa isang banyagang bansa at pagkatapos ay ang API ng pagsasalin upang isalin ang nilalaman na iyon sa tunay na oras sa pamamagitan ng isang karanasan sa app. Hindi lamang ito tungkol sa pagtaas ng kahusayan; ito ay tungkol sa paglikha ng bago at natatanging mga karanasan sa gumagamit. "

Nakikita ni Uribe ang mga tool tulad ng TensorFlow bilang mahusay na enabler para sa malalaking sukat ng ML sa merkado. Hindi lamang ang mga teknolohiyang ito ay naging pangunahing sa kung ano ang Google at kung paano ang diskarte ng higanteng tech ay lumalapit sa pag-unlad ng produkto, ngunit naniniwala si Uribe na ang malawak na magagamit na ML na teknolohiya ay makakatulong sa pag-optimize ng mga negosyo, buksan ang mga bagong stream ng kita, at mag-imbento ng isang bagong klase ng mga intelihente na apps.

"Isipin mo ito tulad ng isang bagong rebolusyong pang-industriya, " sabi ni Uribe. "Nakakakita kami ng mga tool na ito na paganahin ang mga order ng pagtaas ng magnitude sa kahusayan at mga karanasan na hindi mo pa nakita. Nakakatuwang makita kung paano inilalapat ito ng mga startup. Tumingin sa pipino ng pipino sa Japan. Gumamit siya ng TensorFlow upang bumuo ng isang modelo para sa pag-uuri. at paghihiwalay ng mga pipino batay sa mga pattern, laki, texture, atbp, at pagkatapos ay nagtayo ng dalubhasang hardware upang maisagawa ito. Ang antas ng democratization na ito ay hindi kapani-paniwala na makita at bahagya nating kiniskisan ang ibabaw. "