Google tilbyder skybaseret læringsmaskine

Fra Amazons produktanbefalinger til Pandoras evne til at finde os nye sange, vi kan lide, de smarteste webtjenester, der findes, er afhængige af maskinlæring – algoritmer, der gør det muligt for software at lære, hvordan man reagerer med en vis grad af intelligens på ny information eller begivenheder.

Nu har Google lanceret en tjeneste, der kunne bringe sådanne smarte til mange flere apps. Google Prediction API giver udviklere en enkel måde at skabe software, der lærer at håndtere indgående data. For eksempel kunne de Google-hostede algoritmer trænes til at sortere e-mails i kategorier for klager og ros ved hjælp af et datasæt, der giver mange eksempler af begge slags. Fremtidige e-mails kan derefter screenes af software, der bruger denne API, og håndteres derefter.

I øjeblikket har kun hundredvis af udviklere adgang til tjenesten, siger Travis Green, Googles produktchef for Prediction API, men allerede nu kan vi se folk gøre nogle fantastiske ting. Brugerne spænder fra udviklere af mobil- og webapps til olieselskaber, siger han. Mange ønsker at lave produktanbefaling, og der er også interessante NGO-brugssager med ideer som at udtrække nødinformation fra Twitter eller andre kilder online.

Maskinlæring er ikke en nem funktion at indbygge i software. Forskellige algoritmer og matematiske teknikker fungerer bedst til forskellige slags data. Specialiseret viden om maskinlæring er typisk nødvendig for at overveje at bruge det i et produkt, siger Green.

Googles tjeneste giver en slags maskinlærende sort boks – data går i den ene ende, og forudsigelser kommer ud i den anden. Der er tre grundlæggende kommandoer: En til at uploade en samling af data, en anden fortæller tjenesten om at lære, hvad den kan af den, og en tredje til at indsende nye data, som systemet kan reagere på baseret på, hvad det har lært.

Udviklere kan implementere det på deres websted eller app inden for 20 minutter, siger Green. Vi forsøger at levere en virkelig nem service, der ikke kræver, at de bruger måned efter måned på at prøve forskellige algoritmer. Googles sorte boks indeholder faktisk en hel række forskellige algoritmer. Når data uploades, anvendes alle algoritmerne automatisk for at finde ud af, hvilken der fungerer bedst til et bestemt job, og den bedste algoritme bruges derefter til at håndtere enhver ny indsendt information.

Det er vigtigt at få maskinlæring til en Google-skala, siger Joel Confino, en softwareudvikler i Philadelphia, der bygger store webapps til banker og medicinalvirksomheder og medlem af preview-programmet. Han brugte Prediction API til hurtigt at udvikle en enkel, men effektiv spam e-mail filter , og han siger, at tjenesten har et klart kommercielt potentiale.

For eksempel er det usandsynligt, at en bank eller kreditkortvirksomhed, der ønsker at bruge maskinlæring til at bygge systemer, der træffer beslutninger baseret på historiske transaktioner, har det specialiserede personale og den nødvendige infrastruktur til, hvad der er en beregningsintensiv tilgang. Denne API kunne være en måde at få en kapacitet billigt, som ville koste et enormt beløb gennem en traditionel rute.

Googles nye service kan også være mere velsmagende for virksomheder, der er på vagt over for at udlevere deres data til cloud-udbydere, siger Confino. Dataene kan være fuldstændig slørede, og du kan stadig bruge denne tjeneste. Google behøver ikke at vide, om de tal, du sender, er aktiekurser eller boligpriser.

Google får dog nogle oplysninger, som det kan bruge til at forbedre sine maskinlæringsalgoritmer. Vi ser ikke på brugernes data, men vi ser de samme målinger for forudsigelseskvalitet, som de gør, for at hjælpe os med at forbedre tjenesten, siger Green. Ingeniørerne, der kører Prediction API, vil vide, om en bestemt algoritme sjældent bruges, eller om en ny skal tilføjes til blandingen for bedre at kunne behandle visse typer data.

Prediction API har potentialet til at være et niveau mellem etablerede virksomheder og mindre startups, siger Pete Warden, en tidligere Apple-ingeniør, der nu arbejder på sin egen startup OpenHeatMap.com . Det har været en konkurrencefordel for store virksomheder som Amazon, hvis produktanbefaling er bygget på maskinlæring, forklarer han. Nu skal du stadig have et anstændigt sæt træningsdata, men du behøver ikke have det samme niveau af ekspertise.

Warden har endnu ikke fået adgang til Prediction API, men har planer om at bruge det til at forbedre en tjeneste han byggede der viser, hvor personer, der bruger et bestemt ord eller en bestemt sætning på Twitter, befinder sig. Det ville være rigtig interessant også at se, hvor de siger positive og negative ting om et emne, siger Warden. Prediction API kunne trænes til at skelne mellem positive og negative tweets for at gøre det, siger han.

Chris Bates, en dataforsker med online musiktjeneste Grooveshark og medlem af preview-programmet er enig i, at Googles sorte boks vil muliggøre bredere brug af maskinlæring, men han hævder, at tjenesten skal modnes. I dag er den god til at forudsige, hvilket sprog tekst er på og også følelsesanalyse, for for eksempel at udvælge positive og negative anmeldelser, siger han.

I sidste ende kan det dog have sine begrænsninger at være ude af stand til at inspicere algoritmernes indre funktion og finjustere dem til en bestemt anvendelse. Det er godt til sager, der ikke er missionskritiske, hvor man har råd til et par falske positiver, siger Bates. For eksempel kan et spamfilter, der lejlighedsvis slipper igennem en lejlighedsvis uønsket besked, stadig være brugbart, men et kreditkortselskab kan være mindre i stand til at acceptere eventuelle fejl.

skjule