Uczenie maszynowe dla każdego

Wiele obliczeniowej instalacji wodociągowej, która napędza Google, zawdzięcza coś Jeff Dean . Stworzył wczesne wersje wyszukiwarek internetowych i systemów reklamowych firmy. I on wynalazł MapaReduce , system do pracy z dużymi zestawami danych, który wywołał poważną zmianę w branży komputerowej.

Dean pracuje teraz nad ponownym wynalezieniem wewnętrznego sposobu działania Google i całego świata. Kieruje grupą badawczą Google Brain, której celem jest rozwijanie uczenia maszynowego — sztuki tworzenia oprogramowania, które samo potrafi robić rzeczy, zamiast być wyraźnie zaprogramowane. Z oprogramowania Google Brain korzysta obecnie ponad 600 zespołów wewnątrz Google, często dla systemów wewnętrznych niewidocznych dla konsumentów. Ale w ubiegłym roku technologia pochodząca z Google Brain przyniosła również znaczne ulepszenia w wyszukiwarce Google, filtrowaniu spamu i usługach tłumaczeniowych.

Uczenie maszynowe ma dłuższą historię w Google, gdzie inżynierowie wyszkolili oprogramowanie do wyświetlania użytkownikom stron internetowych odpowiadających ich zapytaniom, wybierania reklam związanych z treściami, które przeglądają, wyświetlania reklam, które użytkownicy klikają, oraz wybierania filmów do polecania w YouTube. To jedna z wielu firm, które rozszerzyły inwestycje w badania nad uczeniem maszynowym po tym, jak oprogramowanie przepuszczające dane przez sieci symulowanych neuronów przyniosło przełomowe wyniki w rozpoznawaniu mowy i obrazu.

Teraz Dean mówi, że niedługo technologia, którą tworzy jego zespół, trafi do wielu innych branż poza informatyką. Spotkał się z Tomem Simonite z MIT Technology Review w siedzibie Google w Mountain View w Kalifornii.

W jaki sposób wydajniejsze, łatwe w użyciu uczenie maszynowe zmieniło sposób, w jaki zespoły w Google pracują nad nowymi problemami i produktami?

To była bardzo duża zmiana. W ciągu ostatnich pięciu lat uczenie maszynowe radykalnie rozszerzyło zakres tego, co jest możliwe przy użyciu komputerów, zwłaszcza w obszarach takich jak wizja komputerowa i rozumienie języka. To naturalnie prowadzi do wspaniałych nowych produktów i funkcji — na przykład możliwości wyszukiwania w Zdjęciach Google [w których można wyszukiwać zdjęcia przy użyciu terminów takich jak pies lub plaża] lub funkcji inteligentnej odpowiedzi Gmaila. Ale umożliwia to również inżynierom Google bardziej ambitne myślenie o tym, z jakimi problemami mogą się zmierzyć. Przez analogię, pięć lat temu komputery nie widziały zbyt dobrze. Teraz w pewnych okolicznościach widzą bardzo dobrze, a to naturalnie rozszerza zestaw rzeczy, które naszym zdaniem można osiągnąć.

Prowadziłeś rozwój Przepływ Tensora , oprogramowanie, które wspomaga badania Google nad uczeniem maszynowym, a także produkty, takie jak nowa funkcja Gmaila, która komponuje odpowiedzi na e-maile. Teraz firma rozdaje go za darmo. Czemu?

Posiadanie wspólnego sposobu wyrażania pomysłów na uczenie maszynowe jest naprawdę pomocne. Na całym świecie istnieje duży potencjał uczenia maszynowego. Widzimy to w środowisku akademickim, w innych firmach, w rządzie.

Czy każda branża będzie w dużym stopniu polegać na uczeniu maszynowym?

Myślę, że istnieje wiele branż, które gromadzą dużo danych i nie rozważyły ​​jeszcze konsekwencji uczenia maszynowego, ale ostatecznie je wykorzystają. Transport z samojezdnymi pojazdami będzie dużym wykorzystaniem uczenia maszynowego. Opieka zdrowotna ma wiele interesujących problemów z uczeniem maszynowym — wyniki leczenia ambulatoryjnego lub gdy masz zdjęcia rentgenowskie i chcesz coś przewidzieć. Nie sądzę, żeby miało to dotyczyć jednej branży; Myślę, że będzie ich dużo.

Uczenie maszynowe stanie się podstawowym elementem stosowania komputerów?

Tak oczywiście. Rekrutacja na zajęcia z programowania maszynowego w zakresie informatyki przebija się przez dach.

Można się tylko spodziewać, że ludzie mają podstawową wiedzę na temat uczenia maszynowego, wykonali kilka projektów i chcą korzystać z uczenia maszynowego.

ukryć