Facebook lancerer avanceret kunstig intelligens-indsats for at finde mening med dine indlæg

Facebook skal få en endnu bedre forståelse af de 700 millioner mennesker, der bruger det sociale netværk til at dele detaljer om deres personlige liv hver dag.

En ny forskergruppe i virksomheden arbejder på en spirende og kraftfuld tilgang til kunstig intelligens kendt som deep learning, som bruger simulerede netværk af hjerneceller til at behandle data. Anvendelse af denne metode på data, der deles på Facebook, kan give mulighed for nye funktioner og måske øge virksomhedens annoncemålretning.

Dyb læring har vist potentiale som grundlag for software, der kunne bearbejde de følelser eller begivenheder, der er beskrevet i teksten, selvom de ikke er eksplicit refereret, genkende objekter på fotos og lave sofistikerede forudsigelser om folks sandsynlige fremtidige adfærd.

Gruppen på otte personer, internt kendt som AI-teamet, startede først for nylig på arbejdet, og detaljerne om dens eksperimenter er stadig hemmelige. Men Facebooks teknologichef, Mike Schroepfer, vil sige, at en oplagt måde at bruge dyb læring på er at forbedre nyhedsstrømmen, den personlige liste over seneste opdateringer, som han kalder Facebooks dræberapp. Virksomheden bruger allerede konventionelle maskinlæringsteknikker til at beskære de 1.500 opdateringer, som gennemsnitlige Facebook-brugere muligvis kunne se, ned til 30 til 60, der vurderes at være mest sandsynlige for dem. Schroepfer siger, at Facebook skal blive bedre til at vælge de bedste opdateringer, fordi dets brugere genererer flere data og bruger det sociale netværk på forskellige måder.

Datasættet er stigende i størrelse, folk får flere venner, og med fremkomsten af ​​mobil er folk oftere online, fortalte Schroepfer MIT Technology Review . Det er ikke, at jeg kigger på mit nyhedsfeed en gang sidst på dagen; Jeg trækker konstant min telefon frem, mens jeg venter på min ven, eller jeg er på kaffebaren. Vi har fem minutter til virkelig at glæde dig.

Shroepfer siger, at deep learning også kan bruges til at hjælpe folk med at organisere deres billeder eller vælge, hvilken der er den bedste at dele på Facebook.

Når man ser på dyb læring, følger Facebook sine konkurrenter Google og Microsoft, som har brugt tilgangen til imponerende effekt i det seneste år. Google har ansat og erhvervet førende talenter på området (se 10 Breakthrough Technologies 2013: Deep Learning ), og sidste år skabte det software, der lærte sig selv at genkende katte og andre objekter ved at gennemgå stillbilleder fra YouTube-videoer. Den underliggende teknologi blev senere brugt til at reducere fejlprocenten for Googles stemmegenkendelsestjenester (se Googles Virtual Brain Goes to Work).

I mellemtiden har forskere hos Microsoft brugt deep learning til at bygge et system, der oversætter tale fra engelsk til mandarin-kinesisk i realtid (se Microsoft bringer Star Treks stemmeoversætter til live). Den kinesiske webgigant Baidu etablerede også for nylig et forskningslaboratorium i Silicon Valley for at arbejde med dyb læring.

Mindre komplekse former for maskinlæring har understøttet nogle af de mest nyttige funktioner udviklet af store teknologivirksomheder i de senere år, såsom spam-detektionssystemer og ansigtsgenkendelse i billeder. De største virksomheder er nu begyndt at investere kraftigt i deep learning, fordi det kan levere betydelige gevinster i forhold til de mere etablerede teknikker, siger Elliot Turner, grundlægger og administrerende direktør for AlchemyAPI , som lejer adgang til sin egen deep learning-software til tekst og billeder.

Forskning i forståelse af billeder, tekst og sprog har stået på i årtier, men den typiske forbedring, en ny teknik kan tilbyde, var en brøkdel af en procent, siger han. I opgaver som vision eller tale ser vi 30 procent plus forbedringer med dyb læring. Den nyere teknik tillader også meget hurtigere fremskridt i træningen af ​​et nyt stykke software, siger Turner.

Konventionelle former for maskinlæring er langsommere, fordi før data kan føres ind i læringssoftware, skal eksperter manuelt vælge, hvilke funktioner softwaren skal være opmærksom på, og de skal mærke dataene for for eksempel at angive, at visse billeder indeholder biler.

Deep learning-systemer kan lære med meget mindre menneskelig indgriben, fordi de selv kan finde ud af, hvilke funktioner i rådataene, der er mest betydningsfulde. De kan endda arbejde på data, der ikke er blevet mærket, som Googles kattegenkendende software gjorde. Systemer, der kan gøre det, bruger typisk software, der simulerer netværk af hjerneceller, kendt som neurale net, til at behandle data. De kræver mere kraftfulde samlinger af computere for at køre.

Facebooks AI-gruppe vil arbejde på applikationer, der kan hjælpe virksomhedens produkter såvel som på mere generel forskning, der vil blive offentliggjort, siger Srinivas Narayanan, en ingeniørchef hos Facebook, som hjælper med at samle den nye gruppe. Han siger, at en måde, Facebook kan hjælpe med at fremme dyb læring, er ved at trække på dets seneste arbejde med at skabe nye typer hardware og software til at håndtere store datasæt (se Inside Facebook's Not-So-Secret New Data Center). Det er både et software- og et hardwareproblem tilsammen; måden, man skalerer disse netværk på, kræver meget dyb integration af de to, siger han.

Facebook hyret deep learning-ekspert Marc'Aurelio Ranzato væk fra Google for sin nye gruppe. Andre medlemmer omfatter Yaniv Taigman, medstifter af ansigtsgenkendelses-startup'et Face.com (se When You're Always a Familiar Face); ekspert i computersyn Lubomir Bourdev; og veteran Facebook-ingeniør Keith Adams.

skjule