Зміст:
Відео: J'ai Oublié Que Je N’ai Pas Met Mes Sous-Vêtements | Mon Histoire Animée (Листопад 2024)
Макото Койке - фермер огірків в Японії. Koike - колишній дизайнер вбудованих систем, який роки провів у японській автомобільній промисловості, але в 2015 році він повернувся додому, щоб допомогти на огірковій фермі батьків. Незабаром він зрозумів, що ручне завдання сортування огірків за кольором, формою, розміром та ознаками типу «тернистість» часто було складніше і важкіше, ніж вирощування їх. Надихнувшись глибокою навчальною інновацією програмного забезпечення штучного інтелекту Google (AI) Google AlphaGo, він вирішив автоматизувати завдання.
Підприємства починають впроваджувати практичний інтелектуальний інструмент всілякими способами, але можна з упевненістю сказати, що ніхто не бачив, щоб іде рішення про сортування огірків AI від сорту Койке. Koike раніше ніколи не працював з методами AI, але, використовуючи бібліотеку машинного навчання TensorFlow з відкритим кодом, він почав вводити зображення огірків. Завдяки алгоритмам комп’ютерного зору для розпізнавання предметів та глибокому навчанню тренувати TensorFlow до нюансів різних огірків, Koike зрозумів, що він може ідентифікувати та сортувати овочі з високим рівнем точності. Тоді, не використовуючи нічого, крім TensorFlow та дешевого комп’ютера Raspberry Pi 3, Koike створив автоматизовану сортувальну машину, яку господарство досі використовує.
TensorFlow - один із багатьох алгоритмів та інструментів з відкритим кодом, що революціонізують те, що бізнес та розробники можуть вирішити за допомогою AI. Компанія розширила свою місію "принести користь AI всім", випустивши Google.ai на конференції Google I / O, об'єднавши всі свої ресурси AI разом у єдину платформу. Google також включає ці методи та інтерфейси програмування прикладних програм (API) у все, що робить, випікаючи ML у свої продукти і принципово переосмислюючи, як працює його програмне забезпечення в процесі.
Нещодавно PCMag відвідав Googleplex та поспілкувався з керівниками G Suite, Google Cloud Platform (GCP) та лабораторії розширеного рішення машинного навчання компанії (ML ASL) про те, як Google відновлює себе з AI.
Штучний інтелект скрізь
Скажімо, у одного із ваших клієнтів виникає проблема. Агент відділу служби підтримки вашої компанії знаходиться в чаті в реальному часі з клієнтом через додаток для чату, який зберігає дані на Google Cloud Platform. Щоб допомогти їм вирішити проблему, користувачеві необхідно надіслати агенту деякі конфіденційні особисті дані. Тепер скажемо, що замовник - ваша бабуся. Представник служби обслуговування клієнтів просить у бабусі декілька даних, але натомість бабуся надсилає в чат більше інформації, ніж їй потрібно, коли вона завантажує в чат зображення своєї картки соціального страхування.
Замість того, щоб Google архівував цю особисту інформацію (PII), на малюнку відображається номер соціального страхування та інші PII, які автоматично редагуються. Агент ніколи не бачить ніякої інформації, яка їм не потрібна, і жодна з цих даних не потрапляє в зашифрований архів Google. Під час демонстрації технології DLP API в штаб-квартирі Google в Маунтін-В'ю, штат Каліфорнія, компанія зняла завісу про те, як алгоритми ML аналізують текст і зображення, щоб зробити це.
Роб Садовський, керівник маркетингу довіри та безпеки для Google Cloud, пояснив, що автоматичне редагування працює за допомогою API для запобігання втрат даних (DLP) Google, який працює під поверхнею для класифікації конфіденційних даних. Алгоритм робить те ж саме з такими даними, як номери кредитних карт, а також може аналізувати шаблони, щоб виявити, коли число підроблене. Це лише один приклад тонкої стратегії Google щодо втілення AI у її досвід та надання бізнесу та розробникам, таким як Koike, зробити так само.
Google далеко не єдиний технологічний гігант, який створює в своєму програмному забезпеченні шар сполучної розвідки, але, поряд з Amazon та Microsoft, Google, мабуть, є найпоширенішою широтою доступних інструментів та служб на основі хмарних даних. Розбиваючи продукти компанії, ви можете знайти Google Assistant та різні API для ML та комп’ютерного зору, які використовуються майже скрізь.
Пошук Google використовує алгоритми ML в своїй системі RankBrain AI для обробки та уточнення запитів, перестановки та агрегування даних на основі безлічі змінних факторів для постійного поліпшення якості результатів пошуку. Google Photos використовує комп’ютерне бачення, щоб скріпити пов’язані фотографії в пам’яті та об’єднати кілька знімків одного місця в панорами. Вхідні надають користувачам автоматично створені смарт-відповіді на вибір та повертають відповідні електронні листи, поєднуючи подібні категорії разом. Новий додаток для чату Google Allo має вбудовану програму Google Assistant. Список продовжується.
Усі ці програми працюють у хмарній інфраструктурі Google, і компанія навіть застосовує ML у своїх центрах обробки даних для зменшення споживання енергії, регулюючи насоси охолодження на основі даних про навантаження та погоду. Садовський зазначив, що це також служить завершальним рівнем захисту в стратегії безпеки Google, де компанія використовує машинну розвідку та оцінку ризику в межах свого стеку безпеки, щоб визначити, чи порушена система з використанням прогнозної аналітики.
"Google бере всі ці ML та AI моделі, які ми розробили, і налаштовує їх на безпеку", - пояснив Садовський. "Безпека змінюється набагато радикальніше, ніж більшість галузей ІТ. Продукти, які були стрижнем вашої інфраструктури безпеки три-чотири роки тому, як брандмауері та захист кінцевих точок, як і раніше важливі, але ми хочемо забезпечити оборону в глибині, масштабі та за замовчуванням над багатокористувальною інфраструктурою з мільйонами щоденних активних користувачів.
"Це починається з базового обладнання апаратного центру", - продовжив Садовський. "Крім того, це сервіси додатків та аутентифікація з повністю зашифрованими даними та комунікаціями. Крім того, це ідентифікація користувача. І останній рівень захисту - це те, як ми працюємо з цілодобовим моніторингом, виявленням та реагуванням на інциденти. Це, як ми вирішити такі речі, як захищений віддалений доступ із проксі-сервером, що усвідомлює ідентичність. Це програмне обслуговування DLP пошуку та запобігання витоку даних та допомоги в управлінні даними, а також безпекою. Ми прагнемо зробити ці можливості легкими, споживчими та налагодити їх роботу в масштабі. "
Розумніше G Suite
ML також вбудований у додатки Google G продуктивність Google. Аллан Лівінгстон, директор управління продуктами для G Suite, розбив деякі способи, завдяки яким AI робить G Suite розумнішим та контекстуальнішим, без того, щоб користувачі навіть усвідомлювали це.
"Подумайте, як G Suite об'єднує всі ці програми природним чином інтегрованим шляхом", - сказав Лівінгстон. "Ви починаєте свою роботу в одній з них і проходите через необхідне місце. Ви відкриваєте вкладення Gmail на Диску, і це вводить вас в Документи; це дійсно автоматично.
"Ми намагаємось подумати над цим для користувача, і це також включає машинне навчання. Ми почали з розумних відповідей у папці" Вхідні ", і ми мали добрий успіх у Gmail, і це призвело до можливості дослідження в Документах, Таблицях та слайди ".
Розроблений минулої осені, Explore застосовує обробку натуральної мови (NLP) до досвіду продуктивності в додатку. У Документах Дослідження дає вам миттєві пропозиції на основі вмісту у вашому документі та автоматично рекомендує відповідні теми та ресурси. На слайдах він створює дизайнерські пропозиції, щоб зменшити формат презентації. Однак найцікавіший випадок використання - у Листах. Лівінгстон пояснив, як Explore використовує ML для спрощення аналізу даних та огляду бізнес-аналітики (BI).
"Багато користувачів не знають, що таке щось на зразок зведеної таблиці або як використовувати її для візуалізації аркуша даних", - пояснив Лівінгстон. "Скажімо, ви маєте справу з даними про продаж для клієнта, де кожен рядок є предметом, який було продано. Дослідження дозволяє вводити запити на природній мові, наприклад" Що є найвищим предметом у Чорну п’ятницю? " і випльовує відповідь типу "Ви продали 563 пари штанів". Ми звертаємось до аналізу даних таким чином, що економить час для прийняття керованих даними рішень, використовуючи машинне навчання для покращення звичайної проблеми природним шляхом ».
Демонстрація функції Explore в таблицях з конференції Google Cloud NEXT минулого березня.
За словами Лівінгстона, Google планує розширити подібний пошук хмарних пошуків МЛ на треті сторони та почати будувати навколо себе екосистему. Загальна ідея є загальною темою практичного AI: автоматизація ручних процесів, щоб звільнити користувачів для більш творчої роботи. Ця ідея лежить в основі більшості додатків програм ML: для автоматизації повторюваних бізнес-процесів та повсякденних завдань, включаючи сортування огірків.
"У бізнесі та зі споживачами користувачі мають ці природні схеми взаємодії. Перехід до хмари та мобільної продуктивності дійсно змінюють спосіб роботи людей, і ці застосовані методи машинного навчання є основними для цього", - сказав Лівінгстон. "Через нашу силу в машинному навчанні, через те, що наші продукти слугують базою, через всі дані в нашій хмарі, ми в унікальній позиції застосовувати це і масштабувати нескінченно".
Потужність революції машинного навчання
Фундамент всього, що Google робить навколо AI, полягає в його API, алгоритмах та інструментах з відкритим кодом. Бібліотека компанії TensorFlow - це найпоширеніший інструмент ML для використання в GitHub, для нерестуючих додатків, таких як сортувач огірків Koike. Набір API, що лежить в основі Google Cloud - алгоритми, що охоплюють комп’ютерний зір, відео інтелект, мовлення та NLP, моделювання прогнозування та масштабний ML через механізм Google Cloud Machine Learning - це технологія, що забезпечує живлення кожної функції AI, інтегрованої у додатки та служби Google і тепер також платформа Google.ai.
Франциско Урібе, менеджер із продуктів для команди AI / ML Google Cloud, працює в основі двигуна, який переписує, як працює Google. Uribe здійснює нагляд за вищезгаданою компанією Google ML ASL, лабораторією із занурювальною програмою, в якій фахівці Google ML ML безпосередньо працюють з підприємствами для впровадження рішень AI. Використовуючи API Google та Cloud ML Engine, лабораторія працює з підприємствами для навчання та впровадження власних моделей у виробництво.
Урібе працював у просторі ШІ більше десяти років. Він заснував BlackLocus, керований даними стартап, який створив механізм автоматизованого ціноутворення для роздрібної торгівлі, який придбав Home Depot у 2012 році. Після цього він приєднався до Google і чотири роки працював у команді Пошукових оголошень, застосовуючи ML для покращення реклами. . У 2016 році він перейшов до дослідницької ролі, керуючи ML ASL та виконуючи функції наставника в Google Accelerator Launchpad. Uribe сказав, що його постійно дивує те, як бізнес та розробники використовують інструменти Google.
"Ми бачили випадки використання - від охорони здоров'я та фінансів до роздрібної торгівлі та сільського господарства", - сказав Урібе. "Ми намагаємось допомогти клієнтам покращити можливості сприйняття. Переклад мовлення, аналіз зображень, API відео, натуральна мова. Усі вони є частиною демократизації доступу до машинних та глибоких алгоритмів навчання, які нарешті стали застосовними".
ML ASL співпрацював з HSBC Bank plc, однією з найбільших організацій банківських та фінансових послуг у світі, над рішеннями ML для боротьби з відмиванням грошей та прогнозуванням кредитних оцінок. ML ASL також співпрацювала з Об'єднаною автомобільною асоціацією United Services (USAA), групою компаній фінансових послуг Fortune 500, для підготовки інженерів організації щодо методів ML, застосованих до конкретних сценаріїв страхування. eBay використовував інструменти Google для підготовки цифрового помічника ShopBot. Коли ML ASL працює з компанією, Uribe пояснив чотири стовпи, які складають цей процес.
"Вам потрібна сильна обчислювальна пропозиція для вирішення екстремальних вимог робочих місць ML, і розподілена оптика волоконної оптики GCP дуже ефективно переміщує дані від вузла до вузла", - сказав Урібе. "У нас є Cloud Machine Learning Engine, який допомагає клієнтам навчати моделі. Ми допомагаємо клієнтам виконувати дані з доступом до спільноти Kaggle з 800 000+ активних науковців даних. Нарешті, вам потрібен талант, щоб бути там, так що з боку досліджень речей, у нас є програма Brain Residency для підготовки інженерів за складною навчальною програмою ML. Ми бачимо це як складові для того, щоб допомогти клієнтам створювати інтелектуальні програми ".
Все це передається спільноті з відкритим кодом та екосистемі сторонніх організацій, які Google будує на основі своєї технології AI. Компанія навіть оголосила стартовий конкурс ML на початку цього року, який присуджує стартапам ML до $ 500 000 інвестицій. Uribe розповів про деякі інноваційні програми, які він уже бачив у технологіях Google, і де можуть бути інші можливості.
"Скажімо, ви є аналітичною компанією з обслуговування клієнтів. Подумайте про API мови, щоб переписати вміст дзвінків, а потім аналізуйте настрої для покращення якості обслуговування ваших клієнтів", - сказав Урібе. "Використовуйте API бачення, щоб сфотографувати дорожній знак в іноземній країні, а потім API перекладу, щоб перекласти цей вміст у режимі реального часу через додаток. Це не лише про підвищення ефективності, а про створення нових та унікальних вражень від користувачів. "
Uribe розглядає такі інструменти, як TensorFlow, як чудовий фактор для широкомасштабного впровадження ML на ринку. Ці технології не тільки стали основними для того, що є Google, і як технологічний гігант підходить до розробки продуктів, але Uribe вважає, що широко доступна технологія ML допоможе оптимізувати бізнес, відкрити нові потоки доходів та винайти новий клас інтелектуальних додатків.
"Подумайте про це як про нову промислову революцію", - сказав Урібе. "Ми бачимо, що ці інструменти дають змогу збільшити ефективність замовлень та досвід, якого ви ніколи не бачили. Дивовижно бачити, як стартапи застосовують це. Подивіться на фермера-огірка в Японії. Він використовував TensorFlow для створення моделі класифікації. і сортування огірків на основі шаблонів, розмірів, текстур тощо, а потім побудовано спеціалізоване обладнання для його виконання. Такий рівень демократизації неможливо побачити, і ми ледь не подряпали поверхню ".
