211service.com
Machine learning voor iedereen
Veel van het computationele loodgieterswerk dat Google aandrijft, heeft iets te danken aan Jeff Dean . Hij bouwde vroege versies van de webzoek- en advertentiesystemen van het bedrijf. En hij heeft uitgevonden KaartVerminderen , een systeem voor het werken met grote datasets dat een grote verschuiving in de computerindustrie teweegbracht.
Dean werkt nu aan het opnieuw uitvinden van de innerlijke werking van Google en de rest van de wereld. Hij leidt de onderzoeksgroep Google Brain, die machine learning wil bevorderen - de kunst om software te laten uitvinden hoe het dingen voor zichzelf kan doen in plaats van expliciet te worden geprogrammeerd. Software van Google Brain wordt nu gebruikt door meer dan 600 teams binnen Google, vaak voor interne systemen die onzichtbaar zijn voor consumenten. Maar in het afgelopen jaar heeft de technologie van Google Brain ook gezorgd voor belangrijke upgrades van Google's webzoek-, spamfilter- en vertaaldiensten.
Machine learning heeft een langere geschiedenis binnen Google, waar technici software hebben getraind om mensen webpagina's te laten zien die relevant zijn voor hun zoekopdrachten, advertenties te selecteren die verband houden met inhoud waarnaar ze kijken, advertenties weer te geven waarop mensen zullen klikken en video's te kiezen om aan te bevelen op YouTube. Het is een van de vele bedrijven die meer hebben geïnvesteerd in onderzoek naar machine learning nadat software die gegevens door netwerken van gesimuleerde neuronen stuurt, baanbrekende resultaten opleverde op het gebied van spraak- en beeldherkenning.
Nu zegt Dean dat het soort technologie dat zijn team bouwt niet lang zal duren voor veel andere industrieën dan computers. Hij ontmoette Tom Simonite van MIT Technology Review op het hoofdkantoor van Google in Mountain View, Californië.
Hoe heeft krachtigere, gebruiksvriendelijkere machine learning de manier veranderd waarop teams binnen Google aan nieuwe problemen en producten werken?
Het is een hele grote verandering geweest. In de afgelopen vijf jaar heeft machinaal leren de reikwijdte van wat mogelijk is met computers drastisch uitgebreid, vooral op gebieden als computervisie en taalbegrip. Dit leidt natuurlijk tot geweldige nieuwe producten en functies, bijvoorbeeld de zoekfaciliteiten van Google Foto's [waar je je foto's kunt doorzoeken met termen als hond of strand], of de Gmail Smart Reply-mogelijkheid. Maar het stelt Google-technici ook in staat ambitieuzer na te denken over wat voor soort problemen ze zouden kunnen aanpakken. Ter vergelijking: vijf jaar geleden konden computers niet zo goed zien. Nu kunnen ze in sommige omstandigheden heel goed zien, en dus breidt dit natuurlijk de reeks dingen uit waarvan we denken dat ze kunnen worden bereikt.
Je leidde de ontwikkeling van TensorFlow , software die het onderzoek naar machine learning van Google mogelijk maakt, evenals producten zoals een nieuwe Gmail-functie die stelt antwoorden op naar e-mails. Nu geeft het bedrijf het gratis weg. Waarom?
Het is erg handig om een gemeenschappelijke manier te hebben om ideeën voor machine learning uit te drukken. Er is veel potentieel voor machine learning over de hele wereld. We zien het in de academische wereld, bij andere bedrijven, bij de overheid.
Zal elke industrie uiteindelijk sterk afhankelijk zijn van machine learning?
Ik denk dat er veel industrieën zijn die veel gegevens verzamelen en nog niet hebben nagedacht over de implicaties van machine learning, maar er uiteindelijk gebruik van zullen maken. Transport, met zelfrijdende voertuigen, wordt een groot gebruik van machine learning. De gezondheidszorg heeft veel interessante machine-learningproblemen: uitkomsten van poliklinische behandelingen, of wanneer je röntgenfoto's hebt en dingen wilt voorspellen. Ik denk niet dat er één branche is die getroffen zal worden; Ik denk dat er veel zullen zijn.
Gaat machine learning een fundamenteel onderdeel worden van het toepassen van computing?
Ja, absoluut. De inschrijvingen voor de lessen machine learning van het computerwetenschappelijke programma schieten door het dak.
Het is gewoon te verwachten dat mensen enig basiskennis hebben van machine learning en een paar projecten hebben gedaan [en willen] gebruik maken van machine learning.