Andrew Ng: Zapomnij o budowaniu biznesu zorientowanego na sztuczną inteligencję. Zacznij od misji.

Jeremy Portje

Andrew Ng nosił w swoim życiu wiele kapeluszy. Możesz go znać jako założyciela Zespół Google Brain lub byłego głównego naukowca at Baidu . Możesz go również znać jako własnego instruktora. Nauczył niezliczonych studentów, ciekawskich słuchaczy i liderów biznesu o zasadach uczenia maszynowego poprzez swoje szalenie popularne kursy online.

Teraz w swoim najnowszym przedsięwzięciu, Lądowanie AI , którą rozpoczął w 2017 roku, bada, w jaki sposób firmy bez gigantycznych zbiorów danych, z których można korzystać, mogą nadal dołączyć do rewolucji AI.

23 marca Ng dołączył do wirtualnego EmTech Digital MIT, naszego corocznego wydarzenia AI, aby podzielić się wnioskami, których się nauczył.

Ten wywiad został skondensowany i lekko zredagowany dla jasności.

Przegląd technologii MIT: Jestem pewien, że ludzie często Cię pytają: Jak zbudować biznes oparty na sztucznej inteligencji? Co zwykle na to mówisz?

Andrew Ng: Zwykle mówię: Nie rób tego. Jeśli pójdę do zespołu i powiem „Hej, wszyscy, proszę, bądźcie na pierwszym miejscu AI, to zwykle skupia zespół na technologii, która może być świetna dla laboratorium badawczego. Ale jeśli chodzi o sposób, w jaki prowadzę biznes, zwykle kieruję się klientem lub misją, prawie nigdy nie kieruję się technologią.

Masz teraz to nowe przedsięwzięcie o nazwie Landing AI. Czy możesz nam trochę opowiedzieć, co to jest i dlaczego zdecydowałeś się nad tym pracować?

Po kierowaniu zespołami AI w Google i Baidu zdałem sobie sprawę, że sztuczna inteligencja przekształciła konsumencki internet oprogramowania, taki jak wyszukiwanie i reklama online. Ale chciałem przenieść sztuczną inteligencję do wszystkich innych branż, które stanowią jeszcze większą część gospodarki. Po przyjrzeniu się wielu różnym branżom postanowiłem skupić się na produkcji. Myślę, że wiele branż jest gotowych na sztuczną inteligencję, ale jednym z wzorców, w których branża jest bardziej gotowa na sztuczną inteligencję, jest to, że przeszła cyfrową transformację, więc jest trochę danych. Stwarza to szansę dla zespołów AI na wykorzystanie danych do tworzenia wartości.

Tak więc jednym z projektów, którymi ostatnio byłem podekscytowany, jest kontrola wizualna produkcji. Czy możesz spojrzeć na zdjęcie smartfona schodzącego z linii produkcyjnej i sprawdzić, czy jest w nim usterka? Albo spójrz na komponent samochodowy i zobacz, czy nie ma w nim wgnieceń? Jedna ogromna różnica polega na oprogramowaniu konsumenckim w Internecie, być może masz miliard użytkowników i ogromną ilość danych. Ale w produkcji żadna fabryka nie wyprodukowała miliarda, a nawet miliona porysowanych smartfonów. Dzięki Bogu za to. Wyzwanie polega więc na tym, czy można sprawić, by sztuczna inteligencja pracowała z setką obrazów? Okazuje się, że często możesz. Wiele razy byłem zaskoczony tym, jak wiele można zrobić z nawet skromnymi ilościami danych. I chociaż cały szum, ekscytacja i PR wokół AI dotyczą gigantycznych zbiorów danych, wydaje mi się, że potrzebujemy dużo miejsca na rozwój, aby otworzyć te inne aplikacje, w których wyzwania są zupełnie inne.

Jak to robisz?

Częsty błąd, jaki popełniają dyrektorzy generalni i CIO: mówią do mnie coś w stylu „Hej, Andrew, nie mamy tak dużo danych – moje dane są bałaganem”. Daj mi więc dwa lata na zbudowanie świetnej infrastruktury IT. Wtedy będziemy mieć te wszystkie świetne dane, na których będziemy budować sztuczną inteligencję. Zawsze mówię: to błąd. Nie rób tego. Po pierwsze, nie sądzę, aby jakakolwiek firma na świecie – może nawet giganci technologiczni – uważała, że ​​ich dane są całkowicie czyste i doskonałe. To podróż. Poświęcenie dwóch lub trzech lat na zbudowanie pięknej infrastruktury danych oznacza, że ​​brakuje Ci informacji zwrotnych od zespołu AI, który pomógłby ustalić priorytety, jakie należy zbudować.

Na przykład, jeśli masz wielu użytkowników, czy powinieneś priorytetowo zadawać im pytania w ankiecie, aby uzyskać trochę więcej danych? A może w fabryce, czy powinieneś nadać priorytet modernizacji czujnika z czegoś, co rejestruje wibracje 10 razy na sekundę do może 100 razy na sekundę? Często zaczyna się projekt AI z danymi, które już posiadasz, co umożliwia zespołowi AI przekazanie informacji zwrotnej, aby pomóc w ustaleniu priorytetów, jakie dodatkowe dane należy zebrać.

W branżach, w których po prostu nie mamy skali internetowej oprogramowania konsumenckiego, czuję, że musimy zmienić nastawienie z duża dane do dobry dane. Jeśli masz milion zdjęć, śmiało, użyj go – to świetnie. Istnieje jednak wiele problemów, które mogą wymagać użycia znacznie mniejszych zestawów danych, które są wyraźnie oznakowane i starannie nadzorowane.

Czy możesz podać przykład? Co rozumiesz przez dobre dane?

Najpierw podam przykład rozpoznawania mowy. Kiedy pracowałem z wyszukiwaniem głosowym, otrzymywałeś klipy audio, w których słyszałeś, jak ktoś mówi: Um dzisiejsza pogoda. Pytanie brzmi, jaka jest właściwa transkrypcja tego klipu audio? Czy to Um (przecinek) dzisiejsza pogoda, czy Um (kropka, kropka, kropka) dzisiejsza pogoda, czy też Um to coś, czego po prostu nie zapisujemy? Okazuje się, że każdy z nich jest w porządku, ale nie jest w porządku, jeśli różni transkrybenci używają każdej z trzech konwencji etykietowania. Wtedy Twoje dane są zaszumione i szkodzą systemowi rozpoznawania mowy. Teraz, gdy masz miliony lub miliard użytkowników, możesz mieć te zaszumione dane i po prostu je uśrednić — algorytm uczący się poradzi sobie. Ale jeśli jesteś w środowisku, w którym masz mniejszy zestaw danych — powiedzmy sto przykładów — to ten rodzaj zaszumionych danych ma ogromny wpływ na wydajność.

Kolejny przykład z produkcji: wykonaliśmy dużo pracy przy kontroli stali. Jeśli prowadzisz samochód, jego bok był kiedyś wykonany z blachy stalowej. Czasami na stali są drobne zmarszczki, małe wgniecenia lub plamki. Możesz więc użyć kamery i wizji komputerowej, aby sprawdzić, czy są wady, czy nie. Ale różne osoby zajmujące się etykietowaniem będą inaczej oznaczać dane. Niektórzy postawią gigantyczną ramkę ograniczającą wokół całego regionu. Niektórzy umieszczą wokół małych cząsteczek małe ramki ograniczające. Gdy masz skromny zestaw danych, upewnij się, że różni inspektorzy jakości konsekwentnie opisują dane — okazuje się to jedną z najważniejszych rzeczy.

W przypadku wielu projektów AI model open source, który pobierasz z GitHub — sieci neuronowej, którą można uzyskać z literatury — jest wystarczająco dobry. Nie dla wszystkich problemów, ale dla głównych problemów. Poszedłem więc do wielu moich zespołów i powiedziałem: Hej wszyscy, sieć neuronowa jest wystarczająco dobra. Nie zadzierajmy już z kodem. Jedyne, co teraz zrobisz, to zbudowanie procesów poprawiających jakość danych. I okazuje się, że często skutkuje to szybszą poprawą wydajności algorytmu.

Jaki jest rozmiar danych, o którym myślisz, mówiąc o mniejszych zestawach danych? Mówisz o stu przykładach? Dziesięć przykładów?

Uczenie maszynowe jest tak różnorodne, że naprawdę trudno jest udzielić uniwersalnych odpowiedzi. Pracowałem nad problemami, w których miałem około 200 do 300 milionów zdjęć. Pracowałem również nad problemami, w których miałem 10 obrazów i wszystko pomiędzy. Kiedy patrzę na aplikacje produkcyjne, myślę, że około dziesiątki, a może sto obrazów dla klasy defektów nie jest niczym niezwykłym, ale istnieje bardzo duża rozbieżność nawet w fabryce.

Uważam, że praktyki AI zmieniają się, gdy rozmiary zestawów treningowych spadają poniżej, powiedzmy, 10 000 przykładów, ponieważ jest to rodzaj progu, w którym inżynier może zasadniczo spojrzeć na każdy przykład i sam go zaprojektować, a następnie podjąć decyzję.

Ostatnio rozmawiałem z bardzo dobrym inżynierem w jednej z dużych firm technologicznych. Zapytałem: Hej, co robisz, jeśli etykiety są niespójne? A on powiedział: Cóż, mamy zespół kilkuset osób za granicą, który zajmuje się etykietowaniem. Napiszę więc instrukcje dotyczące etykietowania, poproszę trzy osoby, aby oznaczyły każdy obraz, a następnie wezmę średnią. A ja powiedziałem: Tak, to właściwa rzecz, gdy masz gigantyczny zestaw danych. Ale kiedy pracuję z mniejszym zespołem i etykiety są niespójne, po prostu śledzę dwie osoby, które się ze sobą nie zgadzają, zapraszam ich obu na rozmowę Zoom i każę im porozmawiać, aby spróbować znaleźć rozwiązanie.

Chcę teraz zwrócić naszą uwagę, aby porozmawiać o twoich przemyśleniach na temat ogólnej branży AI. Algorytm jest naszym biuletynem AI i dałem naszym czytelnikom możliwość zadawania pytań z wyprzedzeniem. Jeden z czytelników pyta: wydaje się, że rozwój sztucznej inteligencji rozwinął się głównie w kierunku badań naukowych lub dużych, intensywnie korzystających z zasobów programów dużych firm, takich jak OpenAI i DeepMind. To tak naprawdę nie pozostawia wiele miejsca małym startupom. Jak myślisz, jakie są praktyczne problemy, na których mniejsze firmy mogą się naprawdę skupić, aby pomóc w rzeczywistym komercyjnym przyjęciu sztucznej inteligencji?

Myślę, że większość uwagi mediów skupia się na wielkich korporacjach, a czasem na dużych instytucjach akademickich. Ale jeśli idziesz na konferencje akademickie, jest mnóstwo pracy wykonanej przez mniejsze grupy badawcze i laboratoria badawcze. A kiedy rozmawiam z różnymi osobami z różnych firm i branż, mam wrażenie, że istnieje tak wiele aplikacji biznesowych, z którymi można by się uporać za pomocą sztucznej inteligencji. Zwykle chodzę do liderów biznesu i pytam: Jakie są Twoje największe problemy biznesowe? Jakie rzeczy martwią Cię najbardziej? dzięki czemu mogę lepiej zrozumieć cele firmy, a następnie przeprowadzić burzę mózgów, czy istnieje rozwiązanie AI. A czasami nie ma i to jest w porządku.

Może wspomnę tylko kilka luk, które uważam za ekscytujące. Myślę, że dzisiaj budowanie systemów AI jest nadal bardzo ręczne. Masz kilku genialnych inżynierów zajmujących się uczeniem maszynowym i naukowców zajmujących się danymi, którzy robią rzeczy na komputerze, a następnie wprowadzają je do produkcji. W tym procesie jest wiele ręcznych kroków. Dlatego jestem podekscytowany ops ML [operacje uczenia maszynowego] jako wschodzącą dyscypliną, która pomoże usystematyzować proces budowania i wdrażania systemów sztucznej inteligencji.

Ponadto, jeśli spojrzysz na wiele typowych problemów biznesowych — wszystkie funkcje, od marketingu po talenty — jest dużo miejsca na automatyzację i poprawę wydajności.

Mam też nadzieję, że społeczność AI może przyjrzeć się największym problemom społecznym – zobaczyć, co możemy zrobić dla zmian klimatycznych, bezdomności czy ubóstwa. Oprócz czasami bardzo wartościowych problemów biznesowych, powinniśmy pracować także nad największymi problemami społecznymi.

Jak właściwie podchodzisz do procesu określania, czy istnieje możliwość realizacji czegoś z uczeniem maszynowym dla Twojej firmy?

Postaram się sam trochę dowiedzieć się o biznesie i postaram się pomóc liderom biznesu dowiedzieć się trochę o sztucznej inteligencji. Następnie zwykle przeprowadzamy burzę mózgów nad zestawem projektów, a dla każdego z pomysłów wykonam zarówno staranność techniczną, jak i biznesową. Przyjrzymy się: Czy masz wystarczającą ilość danych? Jaka jest dokładność? Czy przy wdrażaniu w środowisku produkcyjnym jest długi ogon? Jak uzupełnić dane i zamknąć pętlę do ciągłego uczenia się? A więc – upewniając się, że problem jest technicznie wykonalny. A potem staranność biznesowa: upewniamy się, że pozwoli to osiągnąć ROI, na który liczymy. Po tym procesie masz zwykłe, takie jak oszacowanie zasobów, kamieni milowych, a następnie, miejmy nadzieję, rozpoczęcie realizacji.

Jeszcze jedna sugestia: ważniejsze jest szybkie rozpoczęcie i dobrze jest zacząć od małej. Moją pierwszą sensowną aplikacją biznesową w Google było rozpoznawanie mowy, a nie wyszukiwanie w sieci czy reklama. Ale pomagając zespołowi Google zajmującemu się mową w dokładniejszym rozpoznawaniu mowy, dało to zespołowi Brain wiarygodność i środki potrzebne do zdobywania coraz większych partnerstw. Mapy Google były więc drugim dużym partnerstwem, w którym wykorzystaliśmy wizję komputerową — do odczytywania numerów domów w celu geolokalizacji domów na mapach Google. I dopiero po tych pierwszych dwóch udanych projektach odbyłem poważniejszą rozmowę z zespołem reklamowym. Myślę więc, że więcej firm upada, zaczynając za duże, niż upada, zaczynając za małe. Dobrze jest zrobić mniejszy projekt, aby zacząć jako organizacja, aby dowiedzieć się, jak to jest korzystać ze sztucznej inteligencji, a następnie przejść do budowania większych sukcesów.

Jaka jest jedna rzecz, którą nasi odbiorcy powinni zacząć robić jutro, aby wdrożyć sztuczną inteligencję w swoich firmach?

Wskocz. Sztuczna inteligencja powoduje zmianę dynamiki wielu branż. Więc jeśli Twoja firma nie dokonuje już dość agresywnych i mądrych inwestycji, to jest dobry moment.

ukryć