211service.com
Machine Learning for alle
En stor del af den beregningsmæssige VVS, der driver Google, skylder noget Jeff Dean . Han byggede tidlige versioner af virksomhedens websøgning og annoncesystemer. Og han opfandt KortReducer , et system til at arbejde med store datasæt, der udløste et stort skift på tværs af computerindustrien.
Dean arbejder nu på at genopfinde Googles indre og den bredere verden igen. Han leder Google Brain-forskningsgruppen, som har til formål at fremme maskinlæring – kunsten at få software til at finde ud af, hvordan man gør tingene selv i stedet for at være eksplicit programmeret. Software fra Google Brain trækkes nu på af mere end 600 teams i Google, ofte til interne systemer, der er usynlige for forbrugerne. Men i det seneste år har teknologi med oprindelse i Google Brain også leveret store opgraderinger til Googles websøgning, spamfiltrering og oversættelsestjenester.
Maskinlæring har en længere historie i Google, hvor ingeniører har trænet software til at vise folk websider, der er relevante for deres søgeforespørgsler, vælge annoncer, der er relateret til indhold, de ser på, vise annoncer, folk vil klikke på, og vælge videoer til at anbefale på YouTube. Det er en af mange virksomheder, der udvidede investeringer i maskinlæringsforskning, efter at software, der sender data gennem netværk af simulerede neuroner, har produceret banebrydende resultater inden for tale- og billedgenkendelse.
Nu siger Dean, at inden længe vil den slags teknologi, hans team bygger, komme til mange andre industrier udover computer. Han mødtes med Tom Simonite fra MIT Technology Review i Googles hovedkvarter i Mountain View, Californien.
Hvordan har mere kraftfuld, brugervenlig maskinlæring ændret den måde, hold i Google arbejder på med nye problemer og produkter?
Det har været en meget stor forandring. I de sidste fem år har maskinlæring dramatisk udvidet omfanget af, hvad der er muligt ved hjælp af computere, især inden for områder som computersyn og sprogforståelse. Dette fører naturligvis til fantastiske nye produkter og funktioner – for eksempel søgefaciliteterne i Google Fotos [hvor du kan søge på dine billeder ved hjælp af udtryk som hund eller strand], eller Gmail Smart Reply-funktionen. Men det giver også Googles ingeniører mulighed for at tænke mere ambitiøst over, hvilke slags problemer de kan løse. Til analogi kunne computere for fem år siden ikke se særlig godt. Nu kan de se meget godt under nogle omstændigheder, og så udvider dette naturligvis de sæt af ting, som vi tror kan opnås.
Du har ledet udviklingen af TensorFlow , software, der driver Googles maskinlæringsforskning samt produkter som en ny Gmail-funktion, der skriver svar til e-mails. Nu giver virksomheden det væk gratis. Hvorfor?
Det er virkelig nyttigt at have en fælles måde at udtrykke maskinlæringsideer på. Der er et stort potentiale for maskinlæring over hele verden. Vi ser det i den akademiske verden, hos andre virksomheder, i det offentlige.
Vil enhver industri ende med at være stærkt afhængig af maskinlæring?
Jeg tror, der er mange industrier, der indsamler en masse data og endnu ikke har overvejet implikationerne af maskinlæring, men som i sidste ende vil bruge det. Transport, med selvkørende køretøjer, bliver en stor brug af maskinlæring. Sundhedsplejen har en masse interessante maskinlæringsproblemer - ambulante resultater, eller når du har røntgenbilleder, og du vil forudsige ting. Jeg tror ikke, der er én branche, der vil blive påvirket; Jeg tror, der kommer en masse.
Maskinlæring bliver en grundlæggende komponent i at anvende computere?
Ja, absolut. Tilmeldingen til maskinlæringstimerne i datalogi-programmet skyder gennem taget.
Det vil bare forventes, at folk har en vis grundlæggende forståelse af maskinlæring og har lavet et par projekter, [og ønsker at] bruge maskinlæring.