https://bodybydarwin.com
Slider Image

Paano Tumutukoy ang Google Upang Mangibabaw Artipisyal na Intelligence

2020

Noong Nobyembre 2007, inilatag ng Google ang batayan upang mangibabaw ang mobile market sa pamamagitan ng paglabas ng Android, isang bukas na mapagkukunan ng operating system para sa mga telepono. Walong taon na ang lumipas hanggang sa buwan, ang Android ay may isang 80 porsyento na pamamahagi ng merkado, at ang Google ay gumagamit ng parehong lansihin - sa oras na ito na may artipisyal na intelihente.

Ngayon inihayag ng Google ang TensorFlow, ang bukas na mapagkukunan nito para sa pag-aaral ng makina, na nagbibigay sa sinumang isang koneksyon sa computer at internet (at kaswal na background sa mga malalim na algorithm ng pag-aaral) pag-access sa isa sa mga pinaka-makapangyarihang platform ng pag-aaral ng makina na nilikha. Mahigit sa 50 mga produkto ng Google ang nagpatibay ng TensorFlow upang magamit ang malalim na pagkatuto (pag-aaral ng makina gamit ang malalim na mga network ng neural) bilang isang tool, mula sa pagkilala sa iyo at sa iyong mga kaibigan sa Photos app upang pinuhin ang pangunahing search engine. Ang Google ay naging isang kumpanya sa pag-aaral ng machine. Ngayon ay kukuha sila kung ano ang ginagawang espesyal sa kanilang mga serbisyo, at ibinibigay ito sa mundo.

Ang TensorFlow ay isang silid-aklatan ng mga file na nagpapahintulot sa mga mananaliksik at siyentipiko sa computer na magtayo ng mga system na nagbabagsak ng mga data, tulad ng mga larawan o pag-record ng boses, at magkaroon ng computer na gumawa ng mga desisyon sa hinaharap batay sa impormasyong iyon. Ito ang batayan ng pag-aaral ng makina: ang mga computer na nauunawaan ang data, at pagkatapos ay ginagamit ito upang makagawa ng mga pagpapasya. Kapag nai-scale upang maging napaka-kumplikado, ang pag-aaral ng makina ay isang saksak sa paggawa ng mga computer na mas matalino. Iyan ang mas malawak, at mas hindi natukoy na larangan ng artipisyal na katalinuhan. Ang TensorFlow ay hindi pangkaraniwang kumplikado, dahil sa katumpakan at bilis nito sa digesting at outputting data, at maaaring pantay na mailagay sa lupain ng mga artipisyal na tool sa intelektwal.

Narito ang mga nakakatawang detalye: ang sistemang TensorFlow ay gumagamit ng mga data ng daloy ng data. Sa sistemang ito, ang data na may maraming mga sukat (halaga) ay ipinapasa mula sa pagkalkula sa matematika hanggang sa pagkalkula sa matematika. Ang mga kumplikadong bits ng data na ito ay tinatawag na tensors. Ang matematika-y bits ay tinatawag na mga node, at ang paraan ng pagbabago ng data mula sa node hanggang node ay nagsasabi sa pangkalahatang mga relasyon sa system sa data. Ang mga tensor na ito ay dumadaloy sa graph ng mga node, at doon nagmula ang pangalang TensorFlow.

Binibigyang-daan ng Open-sourcing TensorFlow ang mga mananaliksik at maging ang mga mag-aaral ng gradwado ng pagkakataon na magtrabaho kasama ang software na binuo ng propesyonal, sigurado, ngunit ang tunay na epekto ay ang potensyal na ipaalam sa bawat pananaliksik ng kumpanya ng machine learning sa buong board. Ngayon ang mga samahan ng lahat ng laki-mula sa mga maliliit na startup hanggang sa mga malalaking kumpanya na naaayon sa Google — ay maaaring tumagal ng TensorFlow system, iakma ito sa kanilang sariling mga pangangailangan, at gamitin ito upang makipagkumpetensya nang direkta laban sa Google mismo. Higit sa anupaman, ang paglabas ay nagbibigay ng pinakamalawak na awtoridad sa kumpanya ng internet sa buong mundo sa artipisyal na katalinuhan.

Ang propesor sa agham ng computer ng Stanford na si Christopher Manning ay binigyan ng TensorFlow ng kaunti pa sa tatlong buwan na ang nakakaraan, at ang kanyang mga mag-aaral ay nagkaroon ng pagkakataon na kumiling sa system. Matapos ang ilang linggo lamang ang paggamit nito, nagpasya si Manning na ipatupad niya ito sa kanyang kurikulum.

Bukod sa Android, kinagusto din niya ang platform sa Gmail, ang ubiquitous email application ng Google. Mayroong mga kakumpitensya, ngunit ang Gmail ay mas malinis at mas nakakaintindi sa karamihan ng mga aplikasyon.

"Hindi bago ito wala ng anumang mataas na antas ng aklatan na magagamit para sa malalim na pagkatuto, " sabi ni Manning. "Ngunit sa pangkalahatan ang iba pang mga aklatan ay mga bagay ng tatlong akademya at isang mag-aaral na grad."

"Inaasahan namin, talaga, upang mapabilis ang pag-aaral ng pag-aaral ng machine at paglawak"

Habang ang iba, lalo na ang Torch at Theano, ay mayroong maliit na grupo na ina-update ang mga ito, hindi tulad ng buong lakas ng mga developer na nagtatrabaho sa imprastraktura ng pagkatuto ng Google. Sinabi ni Manning na habang ang TensorFlow ay isang malaking regalo sa komunidad (ang may kakayahang mabawasan ang oras na ginugol sa pag-optimize ng mga neural network sa pamamagitan ng 100 beses), maaaring hindi nila tuwirang makikinabang mula sa open -sourcing ng kanilang mga tool.

"Ang isang napakaliit na halaga ng mga kumpanya ay nagsisikap na umarkila ng napakalaking porsyento ng mga taong may talento sa artipisyal na intelihensiya sa pangkalahatan, at sa partikular na malalim na pag-aaral, " sabi ni Manning. "Ang Google ay hindi kawanggawa, sigurado ako na ito rin nangyari sa kanila na sa pamamagitan ng pag-aalaga nito, magkakaroon kami ng maraming mga mag-aaral sa Ph.D na magiging sa mga unibersidad at nais na ang mga tool sa pag-aaral ng Google na malalim. "

Si Jeff Dean, isa sa mga nangungunang inhinyero ng Google at isa sa dalawang tao na maaaring nakalista bilang isang may-akda para sa TensorFlow (ang isa pa ay Rajat Monga), ay maingat sa pagtantya sa pag-aampon sa komunidad. Sinabi niya na habang ito ay isang bagay na natagpuan ng Google na napakahusay na kapaki-pakinabang sa kanilang sariling gawain, ang tunay na pagsubok ay kung mahahanap ito ng komunidad. Ang ideya ay magbigay ng isang tool upang ang buong pamayanan ay makakapunta mula sa hindi lamang mga ideya, ngunit ang aktwal na pagpapatupad ng mga bagay na mas mabilis.

"Inaasahan namin, talaga, upang mapabilis ang pagsasaliksik at pag-aaral ng machine, " sabi ni Dean. At habang ito ay isang malaking regalo sa komunidad, ang perpektong senaryo ay na ibabalik ng komunidad, at ibinahagi ang kanilang ginawa sa iba pang mga mananaliksik (at Google). "Ang pamayanan ng pag-aaral ng makina ay talagang mahusay sa pag-polish ng mga ideya, at iyan ay isang magandang bagay, ngunit hindi ito ang parehong bagay tulad ng buli na nagtatrabaho code na nauugnay sa mga ideya ng pananaliksik, " sabi ni Dean.

Binanggit din niya na ang TensorFlow ay tutulong sa mga intern sa Google kapag bumalik sila sa kanilang mga paaralan, dahil maaari na nilang ma-access ang mga dating sistema ng pagmamay-ari sa mga proyekto na maaaring hindi nila natapos sa kanilang oras sa kumpanya.

Ang sistema ng TensorFlow ay isang medyo kumpletong pakete para sa isang indibidwal na mananaliksik. Ang system ay isang kumpleto, nakapag-iisa na silid-aklatan na nauugnay sa mga tool at isang lisensya ng Apache 2.0, kaya maaari itong magamit sa mga setting ng komersyal. Maaari itong maipon sa mga desktop o laptop, o na-deploy sa mobile (una sa Android, natural, at pagkatapos ay ang iOS na darating). Ito rin ay kasama ng mga tutorial at dokumentasyon kung paano baguhin at maglaro kasama ang platform.

Iminumungkahi ni Manning na ang kakayahang magpatakbo ng mga malalim na algorithm ng pag-aaral sa mga mobile device ay isang mahalagang kadahilanan na naghihiwalay sa TensorFlow mula sa iba pang mga open-source system.

Para sa mga nais gamitin ang system as-ay, ang Google ay nagbibigay ng isang bersyon na maaaring magsimula ang mga mananaliksik gamit ang ngayon (bilang mga pre-built binaries). Mayroon ding isang interface ng application programming (API), para sa mga developer ng software upang sanayin at kontrolin ang kanilang mga modelo ng TensorFlow. At hindi ito isang knockoff - ito ang literal na sistema na ginamit sa Google app, at higit sa 50 iba pang mga produkto.

Nais ng Google ang AI nito kahit saan

Ang pag-aaral ng makina ng Google at artipisyal na katalinuhan (o katalinuhan ng makina, tulad ng kagustuhan ng kumpanya na tawagan ito) ay nakakaimpluwensya sa marami sa mga produkto ng lagda nito. ", Ang mga artipisyal na ambisyon ng intelektwal na intensyon ay napakalaking.

Binubuksan ng Google ang platform na ito sa mundo, na nagbibigay sa amin ng pantay na pagkakataon upang sumilip at tingnan kung paano iniisip ng kumpanya tungkol sa pagbuo ng mga sistema ng pagkatuto ng makina.

Panloob, ginugol ng Google ang huling tatlong taon sa pagbuo ng isang napakalaking platform para sa artipisyal na katalinuhan at ngayon inilalabas nila ito sa mundo. Bagaman, mas gugustuhin ng Google na tawagan ka nito na intelligence ng makina. Nararamdaman nila na ang salitang artipisyal na katalinuhan ay nagdadala ng napakaraming konotasyon, at panimula, sinusubukan nilang lumikha ng tunay na katalinuhan — sa mga makina lamang.

Ito ang modelo na ginamit nila sa loob ng kumpanya nang maraming taon: kung saan ang sinumang inhinyero na nagnanais na maglaro sa isang artipisyal na neural network ay maaaring makatangi ito sa system at magpaikot. Iyon ang uri ng bukas na istraktura na nagbibigay-daan sa 100 mga koponan sa loob ng isang kumpanya na magtayo ng mga makapangyarihang pamamaraan sa pag-aaral ng makina.

"Ang pag-aaral ng makina ay isang pangunahing, paraan ng pagbabagong-anyo kung saan namin naiisip kung paano namin ginagawa ang lahat ng sinabi ng CEO ng CEO na si Sundar Pichai sa tawag ng kita ng kumpanya noong Oktubre 2015." Maingat na inilalapat namin ito sa lahat ng aming mga produkto, maging ito maghanap, mga ad, YouTube, o Play. At kami ay sa mga unang araw, ngunit makikita mo kami - sa sistematikong paraan - ilapat ang pag-aaral ng makina sa lahat ng mga lugar na ito. "

Mahirap maglagay ng isang kongkreto na diagram ng pananaliksik ng intelihensiya ng makina sa Google, dahil palaging nagbabago ito, at saturates halos bawat koponan sa kumpanya.

Ang VP ng engineering ng Google na si John Giannandrea, ay tinatawag itong "naka-embed na modelo." Nakilala ko siya sa isa sa maraming makisig na modernong moderno sa punong-tanggapan ng Google sa maaraw na Mountain View, California, noong taglagas ng 2015.

Nasa isang palapag ako na hindi bukas sa publiko, at nang ako ay iniwan nang walang pag-iingat ng ilang sandali, isang engineer ang lumapit sa akin, napansin na hindi ako nakasuot ng isang badge ng empleyado. Tinanong niya kung sino ako, at sinasabi na ako ay isang manunulat ay hindi maayos ang sitwasyon. Ipinagmamalaki ng Google ang kanyang pananaliksik na bukas sa publiko, ngunit ang trabaho sa mga lab ay pinananatili sa ilalim ng mabibigat na balut.

Ipinagmamalaki ng Google ang kanyang pananaliksik na bukas sa publiko, ngunit ang trabaho sa mga lab ay pinananatili sa ilalim ng mabibigat na balut.

Para sa akin, ang naka-embed na modelo ng Google ay nangangahulugang maraming paglalakad. Ang Googleplex ay naglalaman ng 3.5 milyong square square ng puwang ng opisina sa halos pitong ektarya ng lupa. Ang mga kawani ng Google ay sumakay ng mga bisikleta sa pagitan ng mga gusali, na napapalibutan ng mga well-groomed park kung saan nakaupo ang mga Googler na may mga laptop, walang pagsala na nakikipag-ugnay sa mga kumplikadong conundrums ng science computer o naglalaro sa Minecraft sa kanilang tanghalian. Ang iba't ibang mga koponan ay nagtatrabaho sa iba't ibang mga gusali, at ang naka-embed na makina ng intelektwal na intelihente ay lumipat ng mga gusali kapag lumipat sila ng mga koponan.

Sa loob, ang karamihan sa aking nakita ay mukhang isang normal na gusali ng opisina. Mayroong mga cubicle, computer na may maraming mga monitor, at ang mga tao na tumatalakay sa trabaho sa hushed tone habang ang glancing ay kinakabahan patungo sa mamamahayag. May mga butas na gupitin sa dingding upang mahuli ang isang mabilis na nap Alam mo, mga bagay sa opisina.

Sa samahan, doon pool pool ng mga mananaliksik na laging nagtatrabaho sa mga pangkalahatang problema sa intelihente ng makina, at ang gawaing iyon ay bumalik sa mga pangunahing produkto ng Google, tulad ng Photos app, Paghahanap ng Boses, at Paghahanap mismo. Mayroong ilang mga proyekto na magsisimula bilang isang bagay lamang na nais ng Google na makakuha ng mas mahusay. Iminumungkahi ni Giannandrea ang sulat-kamay bilang isang halimbawa.

Kami, bilang isang kumpanya, ay nais na maunawaan kung paano magsusulat ang isang tao ng isang salita. Kaya't iyon ay may isang bagay na maiimbestigahan namin magpakailanman, kahit na wala kaming produkto, sabi niya.

Ngunit dahil ang Google ay napakalawak sa mga handog nito, diyan ay karaniwang isang tool na maaaring magamit ang bawat elemento ng pananaliksik. (Natapos ang sulat-kamay sa Google Keep, ang software na pagkuha ng tala.)

There walang mundo kung saan ang Google ay hindi nais na magkaroon ng mas mahusay na pagkilala sa pagsasalita, pagsasalin ng wika, pag-unawa sa wika. "

Kapag ginamit na ang gamit na iyon, ang mananaliksik ay tumungo sa koponan ng produkto upang makatulong sa pagpapatupad. Bumubuo ang mga koponan ng produkto ng mga tukoy na aplikasyon na ginagamit nating lahat, tulad ng Photos app o Google Translate.

Sa pangkalahatang pananaliksik, ang mga koponan ay nahahati sa kanilang lugar na interes. Mayroong isang koponan na nakatuon sa pagtuturo ng mga computer upang makita, isang koponan na nagtatrabaho upang maunawaan ang wika, isang koponan na naghahanap ng mas mahusay na pagkilala sa boses, at iba pa.

"Walang mundo kung saan ang Google ay hindi nais na magkaroon ng mas mahusay na pagkilala sa pagsasalita, pagsasalin ng wika, pag-unawa sa wika - kaya ang mga hangganan ng pananaliksik na ito sa science ng computer ay mga bagay na pinamumuhunan namin sa lahat ng oras, " sabi ni Giannandrea.

Mayroong higit sa 1000 mga mananaliksik sa Google na nagtatrabaho sa mga application ng intelligence ng makina, na palaging umiikot sa pagitan ng inilapat at teoretikal na pananaliksik. Ang ilan sa mga mananaliksik na ito ay nagtatrabaho sa mga mas simpleng problema na hindi isasaalang-alang na artipisyal na katalinuhan, sa mas mahigpit na kahulugan ng salita, ngunit higit na istatistika na mga pamamaraan ng paghula.

Ang bagong kumpanya ng magulang ng Google, Alphabet, ay hindi gumawa ng malaking epekto sa paraan ng pagpapatuloy ng pananaliksik ng makina ng Google, ayon sa tagapagsalita ng Google na si Jason Freidenfelds. Habang ang pangkat ng pananaliksik ay mananatili sa loob ng Google Proper, walang anumang mga hadlang mula sa pagtatrabaho sa Life Sciences o Google [x] sa mga aplikasyon ng pag-aaral ng machine.

Ang isang tumataas na bituin sa katalogo ng mga tool ng Google ay Voice Search. Marahil ay pinatatakbo mo ito bago kahit na hindi mo alam kung ano ito: ito ay ang maliit na icon ng mikropono sa pangunahing bar sa paghahanap ng Google, na kapag pinindot, sabihin mo ang iyong query sa paghahanap sa Google sa halip na i-type ito Ang parehong maliit na mikropono ay lilitaw sa Paghahanap ng Google ng app para sa iPhone at Android, at matatagpuan sa loob ng search bar ng Android mismo sa maraming mga smartphone.

Bagaman ang mababaw na naisip bilang isang karibal sa Siri, ang paghahanap sa Google Voice ay talagang naging pangalawang gateway sa malawak na kaalaman ng Google, at sa kasiyahan ng koponan ng pagkilala sa wika, sa wakas ito ay nakakakuha ng mas popular.

Bagaman hindi pinakawalan ng Google ang porsyento ng mga paghahanap sa boses na may kaugnayan sa teksto, nagbibigay ito ng isang tiyak na butas ng kuneho ng mga istatistika: ang mobile search ay mas tanyag kaysa sa desktop, ang dobleng paghahanap ng boses ay nadoble sa nakaraang taon, tungkol sa 50 porsyento ng Amerikano alam ng mga gumagamit ng telepono at tablet na maaari silang magtanong sa mga katanungan sa Google, at isang ikatlo sa mga ito ang aktwal na gawin ito.

Iyon ay isang mahabang pangungusap na nagsasabi na habang hindi sasabihin ng Google kung gaano karaming mga paghahanap sa boses ang ginawa, tiniyak sa akin ng press team ng Google na marami ito.

Bukod sa ilang daang mga pag-alis ng algorithm sa bawat taon, ang Paghahanap ay nagtrabaho nang halos pareho sa mga taon. Ngunit ang pagkuha ng mga tao ng sapat na kumpiyansa na makipag-usap sa kanilang mga aparato ay naging isang pakikibaka.

Nagtatrabaho ang Senior researcher na si Françoise Beaufays sa pagbuo ng makina ng pagkilala sa boses sa likod ng Paghahanap sa Boses, at sinabi na ang pagtaas ng pag-aampon ay dahil ang tampok na ito ay gumagana lamang ng mas mahusay na ngayon.

"Kapag nagsimula kaming gumawa ng pagkilala sa pagsasalita, ang mga gumagamit ay hindi lubos na tiwala. ginagamit nila ito, ngunit masasabi mong mayroong pag-aalangan, ang teknolohiya wasn t kasing ganda ng ngayon, ”sabi ni Beaufays. "Mabilis na pasulong hanggang ngayon, ang mga tao ay komportable na gawin ang anumang posible sa pamamagitan ng boses sa kanilang tanggapan."

Mabilis na nakikipag-usap si Beaufays sa isang French accent, at trilingual-sa itaas ng kanyang pagiging mahusay sa arkitektura ng neural network. Pinangunahan niya ang koponan ng Speech na pinakawalan ang dating engine ng serbisyo na ginamit upang makilala ang mga tunog, at pinalitan ito ng isang bago, mas advanced na system na gumagamit ng isang bagong tatak ng paulit-ulit na mga network ng neural.

Para sa isang makina upang maunawaan ang pagsasalita, kailangang malaman muna kung ano ang tunog at mga parirala. Nangangahulugan ito ng mga file na audio, at marami sa kanila. Ang mga file na ito ay pinoproseso ng algorithm, na lumilikha ng isang malaking graph na kung saan ang tunog na nauugnay sa kung aling mga tunog, salita, at parirala. Kapag ang isang audio clip ay ipinakita sa computer, sinusuri nito ang clip sa pamamagitan ng pagtulak sa audio waveform sa pamamagitan ng grap, sa isang pagtatangka upang makahanap ng isang landas na pinakamahusay na nagpapaliwanag ng audio.

"Ang landas na iyon sa wakas ay sasabihin, 'Dumaan kami sa pagkakasunud-sunod ng mga tunog, at na ang mga mapa sa pagkakasunud-sunod ng mga salita, at ginagawa ang pangungusap na ito, '" sabi ni Beaufays.

Kapag gumawa ka ng isang paghahanap sa boses, ang audio ay nai-upload sa mga server ng Google.

Ngunit ang lahat ng ito ay nakasalalay sa mga paunang mga file na audio, na kung saan ay tinatawag na data ng pagsasanay. Ang data ng pagsasanay na ito ay talagang ginawa ng milyun-milyong mga tunay na paghahanap ng boses ng mga gumagamit ng Google. Sa tuwing gumawa ka ng isang paghahanap sa boses, ang audio ay nai-upload sa mga server ng Google, at kung pinili mo na gamitin ang Google, maaaring isama sa bangko ng mga clip na ginamit upang sanayin ang makina.

Ngunit bago ito magamit, ang data ay dumadaan sa ilang mga hakbang. Una (at pinakamahalaga sa iyo), isinusulat ito ng lahat ng iyong impormasyon. Nangangahulugan ito ng mga timestamp, data ng lokasyon, profile ng iyong gumagamit, lahat. Ang raw waveform ay pagkatapos ay ipinadala sa isang human transcriber, dahil ang algorithm ay nangangailangan ng maaasahang teksto upang maiugnay sa clip. Ang bawat clip ay nangangailangan ng metadata na ito, at ang isang "masamang" clip ay talagang isa lamang na hindi maayos na na-transcribe.Mayroong mga pagkakataong idinagdag ng mga mananaliksik sa artipisyal na ingay, upang maunawaan ng makina kung ano ang iba't ibang mga salita tulad ng sa iba't ibang mga sitwasyon.

Binigyang diin ng Beaufays na ang program na ito ay opt-in. Mahalaga ito, dahil sa mga alalahanin sa privacy — na makatuwiran - na regular na bumubulos habang patuloy na nagsusumite ang Google ng maraming impormasyon tungkol sa mundo at sa ating buhay. Ngunit kung hindi mo nais na gamitin ng Google ang iyong boses, hindi mo kailangang hayaan ito. Gayundin, may mga paraan ng pagtanggal ng iyong mga paghahanap pagkatapos ng katotohanan.

Ngunit ang mga pamamaraan na ito ay naging mas epektibo sa paghahanap ng boses. Ayon sa Google, dalawang taon na ang nakaraan ang rate ng error ay 25 porsyento, na nangangahulugang ang isa sa bawat apat na paghahanap ay mali. Ngayon, ang bilang na iyon ay pababa sa 8 porsyento.

Ngunit ano ang mangyayari kapag hindi masanay ng Google ang iyong data?

Noong nakaraang linggo, inihayag ng Google na nagsisimula itong gumamit ng pag-aaral ng machine sa iyong email (kung gumagamit ka ng Inbox app, na hiwalay mula sa Gmail), at oo, ito ay binuo sa TensorFlow, ayon kay Alex Gawley, director ng produkto para sa Gmail.

Nagsimula kaming makita ang ilan sa lakas ng mga neural nets na binuo ng aming pangkat ng pananaliksik, Gawley. At maaaring posible lamang para sa amin na makatulong sa higit pa sa pag-unawa at pag-aayos. maaaring posible lamang para sa amin na tumulong sa mga bagay tulad ng pagsusulat ng mail.

Ang tampok na ito ay tinatawag na Smart Sumagot, at karaniwang isa sa paulit-ulit na neural network ang nagbabasa ng iyong email at isinasalin ito sa isang segundo, na bumubuo ng tatlong potensyal na mga tugon. Piliin mo, at ang email ay ipinadala. Ngunit ang email ay kasing sensitibo sa mga larawan, kung hindi higit sa ilang mga kaso.

Walang sinumang tao sa Google na nagbabasa ng iyong mga email, na mahalaga na tandaan. Gayunpaman, ang data kung aling pagpipilian ang iyong ginawa ay maipabalik upang ipaalam sa pandaigdigang modelo. Iyon kung paano ito natututo. Mula doon, maaaring tanungin ng mga mananaliksik ang makina na sagutin ang ilang mga katanungan, at mula doon ay naiintindihan kung ano ang maaaring kailanganin na maayos sa mga neural network. Ang software ay pareho para sa lahat, kung saan, kung saan ay isang bagay

Binibigyan din kami ng Smart Reply ng isang silip sa kung paano ang mga produkto ng pag-aaral ng machine ay binuo sa loob ng Google. Ang koponan ng Inbox ay nag-deploy ng tampok na ito sa loob, upang subukan at pakainin ang makina ng ilang mga ideya ng kung ano ang tama at mali, isang proseso na tinatawag na dogfooding. (Ang parirala ay nagmula sa ideya ng pagkain ng iyong sariling pagkain sa aso, at isang halimbawa kung bakit kakaiba ang tech.)

Ginagamit ito ng buong koponan, at mga dokumento ng mga bug, at binibigyan ito ng higit pa at higit pang impormasyon upang pakainin mula sa. Kapag ang app ay kumilos nang tama sa kinokontrol na kapaligiran, at maaaring mai-scale, inilabas ito.

Iyon ang pagtatapos ng isang layunin sa isang smartphone na may katalinuhan ng makina: ang tunay na digital na personal na katulong, sa huli mahuhulaan at malawak na kaalaman ang bahagi ng iyong utak you hindi na ipinanganak.

Ang panloob na pagsubok ay nagbibigay sa mga mananaliksik ng isang pagkakataon upang mahulaan ang mga potensyal na mga bug kapag ang mga neural nets ay nakalantad sa dami ng data. Halimbawa, sa una Smart Nais nais na sabihin sa lahat Mahal kita. Ngunit iyon ay dahil lamang sa mga personal na email, Mahal ko ay isang pangkaraniwang parirala, kaya naisip ito ng makina ay mahalaga.

Ang lahat ng ito ay isang pagtatangka upang gawing mas madali ang iyong trabaho that kung ano ang naglalayong gawin ng karamihan sa mga produkto ng kumpanya s, lalo na ang Google Now, ang personal na katulong ng mundo ng Google. Ang parirala ng catch ng koponan ay ayusin ang tamang impormasyon sa tamang oras. Si Aparna Chennapragada, ang pinuno ng Google Now, ay nagsasabi na ang intelihente ng makina ay kailangang maisip na isinasaalang-alang kapag itinayo sa platform, sa order upang makadagdag sa utak ng tao.

Gusto mong pumili ng mga problema na mahirap para sa mga tao, at madali para sa mga makina, hindi sa iba pang paraan, sabi ni Chennapragada. It tungkol sa paggawa ng teknolohiya gawin ang mabibigat na pag-aangat para sa iyo, sa halip na gawin mo mismo.

Sa ngayon, ang produkto ay talagang galugarin kung paano gamitin ang mga pamamaraan na ito upang gawing mas madali ang iyong buhay. Inihalintulad ito ni Chennapragada kung saan nakaupo ang pananaliksik na may pagkilala sa boses 5 taon na ang nakaraan ay okay, ngunit didn t gumana sa bawat solong oras.

Tumitingin sila ngayon sa kung paano mag-leverage ng tatlong magkakaibang uri ng data upang maihatid sa iyo ang mga tidbits ng impormasyon. Nakita nila ang telepono bilang isang partial na aparato ng atensiyon at isang mainam na serbisyo ay dapat na labis na ibigay sa iyo ng impormasyon.

Kung titingnan mo kung paano ginagamit ng bawat isa sa amin ang telepono, it sa pagitan ng mga bagay na ginagawa mo sa iyong buhay. It kinagat ang laki ng impormasyon na hinahanap mo, sabi ni Chennapragada. Ang isa sa mga bagay na iniisip natin ay kung paano tayo makikipagtulungan para sa iyo, maagap, sa lahat ng oras.

Iyon ang pagtatapos ng isang layunin sa isang smartphone na may katalinuhan ng makina: ang tunay na digital na personal na katulong, sa huli mahuhulaan at malawak na kaalaman ang bahagi ng iyong utak you hindi na ipinanganak.

Kaya upang makarating doon, ang iyong telepono ay nangangailangan ng data tungkol sa iyo: ang iyong iskedyul, kung ano ang iyong hinahanap, kung anong musika ang iyong pakinggan, at kung saan ka pupunta. Ito ang pinakamadaling uri ng impormasyon na makukuha, sapagkat ang mga ito ay nasa aparato.

Ang isa sa mga bagay na iniisip natin ay kung paano tayo makikipagtulungan para sa iyo, maagap, sa lahat ng oras.

Ngunit kapag pinagsama mo ang personal na impormasyong ito sa kaalaman tungkol sa mundo, sa pamamagitan ng Google KnowledgeGraph (higit pa sa bandang huli), at ang data na na-mula sa iba pang mga gumagamit, ang mundo ay dinadala sa iyong mga daliri. Maaaring hindi mo alam kung paano mag-navigate sa isang paliparan, ngunit ginagawa ng iyong telepono.

Ang isa pang halimbawa ng paraan ng paggamit ng Google ng data mula sa maraming tao ay ang pagsukat ng trapiko sa kalsada. Sa pamamagitan ng paghila ng hindi nakikilalang data ng lokasyon mula sa mga telepono sa highway, masasabi ng Google na ang mga kotse ay gumagalaw kaysa sa dati. Ang parehong nangyayari sa pagiging masasabi kapag ang isang restawran o coffee shop ay abala.

Ang Google Now ay kumakatawan sa paraan ng paglapit ng Google sa katalinuhan ng makina. Nalalaman nila na ang isang pangkalahatang modelo ng intelektwal na maaaring magsalin at magsasabi sa iyo kung ano ang mga aksyon sa isang larawan ay mga taon at taon na ang layo, kaya't pansamantala, ang mga ito ay nagawa ng isang mosaic ng mga kasangkapan na kumikilos sa pagkakaisa upang maibigay ang pinakamahusay na karanasan hangga't maaari.

Okay, kaya nabanggit ko na gumagana ang Google Now sa KnowledgeGraph. Ano ?

Si John Giannandrea, ang pinuno ng pananaliksik ng Google mula pa noong una, ay dinala sa Google noong 2010. Itinatag niya ang isang kumpanya na tinatawag na Metaweb, na may kaugnayan sa teksto at mga bagay sa internet. Ito ay isang lohikal na kahanay sa paghahanap hindi lamang sa paghahanap ng mga bagay, ngunit ang paghahanap ng mga katulad na piraso at piraso ng impormasyon. Nagtrabaho siya sa isyung ito kahit na bago iyon, noong siya ang CTO ng Netscape. (Tandaan Netscape?)

Ngunit lahat ito ay naipakita sa KnowledgeGraph, na debuted noong 2012 bilang mga piraso ng impormasyon at teksto na awtomatikong mag-pop up kapag naghanap ka ng mga katotohanan. Kung maghanap ka Ano ang itinatag na Popular Science? Ibibigay ng Google ang sagot (na kung saan ay 1872).

Ito ang paraan ng Google na hindi lamang katalogo sa internet, ngunit ginagawa itong mas naa-access at kapaki-pakinabang sa mga gumagamit nito. Ito rin ang unang pagtagas ng artipisyal na katalinuhan sa pangunahing produkto, paghahanap. Mula noon, ibigay ng Google ang 15 porsyento ng pang-araw-araw na trapiko sa paghahanap sa artipisyal na modelo ng intelektwal na tinatawag na RankBrain. Ang sistemang ito ay ang pangkaraniwang kahulugan ng paghahanap it s na sinadya upang mahuli ang mga query na maaaring malaman ng tradisyonal na mga algorithm.

Maliban sa pagsasama sa mga pangunahing paghahanap ng algorithm, at ang pagpapalawak sa mga produkto, ang Google ay mayroon ding ilang mga moonshot sa mga gawa. Para sa mga ito, umaasa sila sa Geoff Hinton.

Si Hinton ay isa sa mga pangunahing nag-iisip sa artipisyal na intelektwal madalas na nakalista sa parehong pangungusap tulad ng iba pang mga mataas na antas ng mga mananaliksik na tulad ni Yann LeCun sa Facebook, ni Andrew Ng, at Yoshua Bengio. (Sa katunayan, si LeCun, Hinton, at Bengio ay sumulat ng isang pagsusuri sa Kalikasan ngayong Mayo sa malalim na pag-aaral, na binabasa tulad ng literal na aklat-aralin sa AI.)

"Doon na manipis na linya sa pagitan ng mahika at misteryo, at nais naming maging nasa kanang bahagi nito."

Ang pakikipag-usap kay Hinton ay tulad ng pakikipag-usap sa isang taong nabubuhay ng limang taon sa hinaharap. Ang aming pag-uusap ay nakasentro sa paggawa ng mga dokumento sa mga naisip na vectors, upang maunawaan at maalala ng mga makina ang mga mahabang bersyon, at reverse engineer ang algorithm na ginagamit ng aming utak upang malaman.

Maraming mga programa sa computer ngayon, halimbawa, brute ang nagpipilit sa problema ng pagsusuri kung ano ang ibig sabihin ng isang dokumento sa teksto sa pamamagitan ng paghanap ng mga kahulugan ng diksyunaryo ng mga salita sa dokumento, at ang gramatika. Ngunit upang maunawaan ang dokumento tulad ng isang tao, ang isang computer ay may perpektong magagawang masira ang dokumento sa isang serye ng mga natatanging kaisipan .

Gustung-gusto ng Google na kumuha ng isang dokumento, at alamin kung ano ang pangangatuwiran, kung ano ang sinasabi ng dokumento, at kung paano sumusunod ang isang pag-iisip mula sa mga nakaraang pag-iisip, sabi ni Hinton. Kung maaari naming simulan ang paggawa nito, kung gayon maaari itong magbigay sa iyo ng mas mahusay na mga sagot sa mga query, dahil nabasa talaga nito ang mga dokumento at naiintindihan ang mga ito.

Kapag tinanong kung bakit namin ginagawa ito, sinabi ni Hinton kung we re na sinusubukan upang tumugma sa pag-unawa sa utak, it sa bagay ng scale. Ang mga artipisyal na neural network na ginagamit ng mga mananaliksik ngayon ay hindi lamang ang pagiging kumplikado ng ating utak, kahit na kung kailan nasukat sa kanilang kasalukuyang mga limitasyon. Ang pinakamainam na mayroon tayo ay may daan-daang milyong mga timbang na maaaring manipulahin (Ginagamit ng LeCun ang pagkakatulad ng isang itim na kahon na may isang milyong knobs sa labas upang ipaliwanag ang pakikipagtalo sa mga timbang.) Ngunit ipinaliwanag ni Hinton na ang ating talino ay may 100 trilyon that 100, 000 beses pang impormasyon.

Sa harap ng pagiging dwarfed sa scale, si Hinton ay umaasa pa rin na ang bahaging ito ng artipisyal na pananaliksik ng paniktik na won t fizzle out tulad ng sa nakaraan. (Nakita ng pananaliksik ng artipisyal na intelektwal na winters, kung saan ang pag-usad ng hasn t ay naitugma sa mga inaasahan at ang pamumuhunan ay lumabo.) Ang isang malaking kadahilanan nito ay ang lalong popular na ideya ng mga vectors ng pag-iisip, tulad ng nabanggit kanina. Ngunit ang pinaka nakakaaliw na bagay kay Hinton ay ang pag-unlad sa huling limang taon, lalo na ang pagkilala sa object at pagsasalita. Ang mga problemang ito ay madalas na nakikita bilang masyadong kumplikado sa nakaraan, at ngayon ang rate ng pagkakamali ay biglang bumaba sa mga pamantayang pagsubok.

Ang mga ito ay malapit sa pagganap ng antas ng tao. "

Ang mga ito ay malapit sa pagganap ng antas ng tao. Hindi sa lahat ng aspeto, ngunit ang mga bagay tulad ng pagkilala sa object. Ilang taon na ang nakalilipas, sasabihin sa iyo ng computer vision ng mga tao no, you hindi na makakarating sa antas na iyon sa maraming mga taon. Kaya't iyon sa dahilan para maging maasahin sa mabuti, Sabi ni Hinton.

Ngunit kahit gaano kahusay ang isang makina ay maaaring umakma o tularan ang utak ng tao, hindi nito nangangahulugang anuman kung ang average na tao ay maaaring mag-isip kung paano gamitin ito. Na s ang Google s plano upang mangibabaw ng artipisyal na intelektwal na gawing simple hangga't maaari. Habang ang mga machining sa likod ng mga kurtina ay kumplikado at pabago-bago, ang mga resulta ay mga ubiquitous na tool na gumagana, at ang paraan upang mapagbuti ang mga tool na iyon kung you re kaya hilig.

There sa manipis na linya sa pagitan ng mahika at misteryo, Google Now s Sabi ni Chennapragada. At nais naming maging nasa kanang bahagi nito.

Bakit sa palagay natin ang mga maliliit na bagay ay maganda?

Bakit sa palagay natin ang mga maliliit na bagay ay maganda?

Ang pinakamahusay na mga kahalili sa 2018 pinakamainit na mga laruan

Ang pinakamahusay na mga kahalili sa 2018 pinakamainit na mga laruan

Paano mag-juggle ng mga account ng iyong mga paboritong apps mula sa isang telepono

Paano mag-juggle ng mga account ng iyong mga paboritong apps mula sa isang telepono