211service.com
Google probeert machine learning een beetje menselijker te maken
Google-CEO Sundar Pichai vertelde investeerders vorige maand dat vooruitgang in machine-learningtechnologie binnenkort een impact zou hebben op elk product of elke dienst waaraan het bedrijf werkt. We heroverwegen alles wat we doen, zei hij.
Een deel van dat streven om zijn diensten slimmer te maken, houdt in dat het opnieuw moet nadenken over de manier waarop het machine learning toepast, waardoor computers zelfstandig kunnen leren van gegevens. Kortom, Google werkt eraan om die systemen te leren een beetje menselijker te zijn.
Google besprak enkele van die inspanningen tijdens een briefing dinsdag op het hoofdkantoor in Mountain View, Californië. We bevinden ons in het Commander Data-stadium, zei stafonderzoeksingenieur Pete Warden in een verwijzing naar de emotieloze Android in de tv-show Star Trek: de volgende generatie. Maar we proberen wat meer Counselor Troi in het systeem te krijgen - het ruimteschip Onderneming empathische adviseur.
Warden werkt in het team dat Google Foto's heeft ontwikkeld, waarmee je in je foto's naar dingen als strand of hond kunt zoeken. De onderliggende technologie is voortgekomen uit een lange onderzoeksinspanning om software in staat te stellen objecten op foto's te identificeren. Maar Warden en zijn collega's ontdekten dat alleen het kunnen spotten van bijvoorbeeld kinderen, eieren of manden niet genoeg was. Mensen wilden zoeken naar paaseieren zoeken. Evenzo moest het systeem worden getraind om te begrijpen dat foto's met een kalkoen en borden die eind november zijn gemaakt, in verband moeten worden gebracht met Thanksgiving.
Een ander Google-project, met de bijnaam GlassBox, probeert software te stoppen die leert van een beperkt aantal gegevens om wat er voor mensen uitziet als simpele, domme fouten te maken. Onder leiding van senior onderzoekswetenschapper Maya Gupta, heeft het tot doel de software iets van gezond verstand te geven dat mensen in staat stelt misleidende voorbeelden buiten beschouwing te laten.
Iemand die bijvoorbeeld een paar voorbeelden van huizen en de bijbehorende prijzen liet zien, kon meteen zien dat grotere huizen over het algemeen meer kosten, zelfs als er één uitschieter was, zoals een klein huis aangeboden voor $ 1,8 miljoen in de dure stad Palo Alto, Californië. Maar diezelfde uitbijter kan ertoe leiden dat een machine learning-systeem dat op zoek is naar een relatie in dezelfde steekproef van gegevens, hoge prijzen toeschrijft aan een andere factor, zoals huiskleur. Gupta heeft wiskundige methoden ontwikkeld om de invloed van dergelijke uitbijters, die een machine-learningsysteem kunnen laten struikelen, weg te werken. We proberen zoveel mogelijk van de menselijke kennis terug te geven, vertelde Gupta aan MIT Technology Review .
Google heeft de afgelopen jaren meer geïnvesteerd in onderzoek naar machine learning, na de opkomst van een technologie die bekend staat als deep learning en die gebruikmaakt van netwerken van ruwweg gesimuleerde neuronen (zie 10 Breakthrough Technologies 2013: Deep Learning). Het heeft opvallende verbeteringen opgeleverd in spraakherkenning en beeldherkenning. Facebook, Google, IBM, Microsoft en Baidu onderzoeken allemaal hoe diep leren machines in staat kan stellen om taal te begrijpen en misschien zelfs met ons te praten (zie Machines aanleren om ons te begrijpen).
In de afgelopen week heeft Google bevestigd dat zijn kernzoekservice nu een groot deel van de zoekopdrachten verwerkt met behulp van een nieuw, diepgaand lerend systeem genaamd RangBrain . En op dinsdag is het debuteerde een dienst genaamd Smart Reply dat machine learning gebruikt om automatisch verschillende korte antwoorden op e-mailberichten aan te bieden.
Greg Corrado, een senior onderzoekswetenschapper en medeoprichter van het deep-learningteam van Google, zegt dat de software voor het schrijven van e-mail slechts een vroeg voorbeeld is van hoe machine learning nu volledig nieuwe producten creëert en niet alleen bestaande verbetert, zoals spamfiltering. of zoeken.