Andrew Ng: Glöm att bygga ett AI-först företag. Börja med ett uppdrag.

Jeremy Portje

Andrew Ng har burit många hattar i sitt liv. Du kanske känner honom som grundaren av Google Brain-teamet eller den tidigare chefsforskaren vid Baidu . Du kanske också känner honom som din egen instruktör. Han har lärt otaliga studenter, nyfikna lyssnare och företagsledare om principerna för maskininlärning genom sina mycket populära onlinekurser.

Nu i sin senaste satsning, Landande AI , som han startade 2017, undersöker han hur företag utan gigantiska datamängder att dra nytta av fortfarande kan gå med i AI-revolutionen.

Den 23 mars gick Ng med i MIT Technology Reviews virtuella EmTech Digital, vårt årliga AI-evenemang, för att dela med sig av lärdomarna han har lärt sig.

Denna intervju har förtätats och lätt redigerats för tydlighetens skull.

MIT Technology Review: Jag är säker på att folk ofta frågar dig, hur bygger jag ett AI-first-företag? Vad brukar du säga till det?

Andrew Ng: Jag brukar säga, gör inte det. Om jag går till ett team och säger: Hej alla, snälla var AI-först, som tenderar att fokusera teamet på teknik, vilket kan vara bra för ett forskningslabb. Men när det gäller hur jag driver verksamheten tenderar jag att vara kundledd eller uppdragsledd, nästan aldrig teknikledd.

Du har nu den här nya satsningen som heter Landing AI. Kan du berätta lite om vad det är och varför du valde att arbeta med det?

Efter att ha lett AI-teamen på Google och Baidu insåg jag att AI har förändrat mjukvarukonsumentinternet, som webbsökning och onlineannonsering. Men jag ville ta AI till alla andra branscher, som är en ännu större del av ekonomin. Så efter att ha tittat på många olika branscher bestämde jag mig för att fokusera på tillverkning. Jag tror att flera branscher är redo för AI, men ett av mönstren för att en bransch är mer AI-redo är om den har genomgått någon digital transformation så att det finns lite data. Det skapar en möjlighet för AI-team att komma in för att använda data för att skapa värde.

Så ett av projekten som jag har varit exalterad över nyligen är att tillverka visuell inspektion. Kan du titta på en bild av en smartphone som kommer från tillverkningslinjen och se om det finns en defekt i den? Eller titta på en bilkomponent och se om det finns en buckla i den? En stor skillnad är i konsumentprogramvaruinternet, kanske har du en miljard användare och en enorm mängd data. Men i tillverkningen har ingen fabrik tillverkat en miljard eller ens en miljon repade smartphones. Tack och lov för det. Så utmaningen är, kan du få en AI att fungera med hundra bilder? Det visar sig ofta att du kan. Jag har faktiskt blivit förvånad ganska många gånger med hur mycket du kan göra med även blygsamma mängder data. Och även om all hype och spänning och PR kring AI finns på de gigantiska datamängderna, känner jag att det finns mycket utrymme vi behöver för att växa också för att bryta upp dessa andra applikationer där utmaningarna är helt annorlunda.

Hur gör man det?

Ett mycket vanligt misstag jag ser vd:er och CIO:er göra: de säger till mig något som Hej, Andrew, vi har inte så mycket data – min data är en enda röra. Så ge mig två år att bygga en fantastisk IT-infrastruktur. Då har vi all denna fantastiska data att bygga AI på. Jag säger alltid, det är ett misstag. Gör inte det. För det första tror jag inte att något företag på planeten idag – kanske inte ens teknikjättarna – tycker att deras data är helt ren och perfekt. Det är en resa. Att spendera två eller tre år på att bygga en vacker datainfrastruktur innebär att du saknar feedback från AI-teamet för att hjälpa dig att prioritera vilken IT-infrastruktur som ska byggas.

Om du till exempel har många användare, bör du prioritera att ställa frågor till dem i en undersökning för att få lite mer data? Eller i en fabrik, ska man prioritera att uppgradera sensorn från något som registrerar vibrationerna 10 gånger i sekunden till kanske 100 gånger i sekunden? Det är ofta att börja göra ett AI-projekt med den data du redan har som gör att ett AI-team kan ge dig feedback för att hjälpa dig att prioritera vilken ytterligare data som ska samlas in.

I branscher där vi helt enkelt inte har omfattningen av internet för konsumentprogramvara, känner jag att vi måste ändra tankesättet från stor data till Bra data. Om du har en miljon bilder, fortsätt, använd den – det är bra. Men det finns massor av problem som kan använda mycket mindre datamängder som är rent märkta och noggrant kurerade.

Kan du ge ett exempel? Vad menar du med bra data?

Låt mig först ge ett exempel från taligenkänning. När jag arbetade med röstsökning fick du ljudklipp där du hörde någon säga: Um dagens väder. Frågan är vad som är rätt transkription för det ljudklippet? Är det Um (komma) dagens väder, eller är det Um (prick, prick, prick) dagens väder, eller är Um något vi bara inte transkriberar? Det visar sig att någon av dessa är bra, men det som inte är bra är om olika transkriberare använder var och en av de tre märkningskonventionerna. Då är din data bullrig, och det skadar taligenkänningssystemet. Nu, när du har miljoner eller en miljard användare, kan du ha den där bullriga informationen och bara snitta den – inlärningsalgoritmen kommer att fungera bra. Men om du befinner dig i en miljö där du har en mindre datamängd – säg hundra exempel – så har den här typen av brusig data en enorm inverkan på prestandan.

Ett annat exempel från tillverkningen: vi gjorde mycket arbete med stålinspektion. Om du kör bil var sidan på din bil en gång gjord av en stålplåt. Ibland finns det små rynkor i stålet, eller små bucklor eller fläckar på det. Så du kan använda en kamera och datorseende för att se om det finns defekter eller inte. Men olika etiketter kommer att märka data på olika sätt. Vissa kommer att sätta en gigantisk avgränsningsbox runt hela regionen. Vissa kommer att sätta små begränsningsrutor runt de små partiklarna. När du har en blygsam datamängd, se till att de olika kvalitetsinspektörerna märker data konsekvent – ​​det visar sig vara en av de viktigaste sakerna.

För många AI-projekt är den öppen källkodsmodell du laddar ner från GitHub – det neurala nätverk som du kan få från litteraturen – tillräckligt bra. Inte för alla problem, men huvudproblemen. Så jag har gått till många av mina team och sagt, Hej alla, det neurala nätverket är tillräckligt bra. Låt oss inte bråka med koden längre. Det enda du ska göra nu är att bygga processer för att förbättra kvaliteten på datan. Och det visar sig att det ofta resulterar i snabbare förbättringar av algoritmens prestanda.

Vilken datastorlek tänker du på när du säger mindre datamängder? Pratar du om hundra exempel? Tio exempel?

Maskininlärning är så mångsidig att det har blivit riktigt svårt att ge svar som passar alla. Jag har arbetat med problem där jag hade cirka 200 till 300 miljoner bilder. Jag har också arbetat med problem där jag hade 10 bilder och allt däremellan. När jag tittar på tillverkningsapplikationer tror jag att något som tiotals eller kanske hundra bilder för en defektklass inte är ovanligt, men det finns mycket stora skillnader även inom fabriken.

Jag upplever att AI-övningarna växlar över när träningsuppsättningarnas storlekar går under, låt oss säga, 10 000 exempel, eftersom det är typ tröskeln där ingenjören i princip kan titta på varje exempel och designa det själv och sedan fatta ett beslut.

Nyligen chattade jag med en mycket duktig ingenjör i ett av de stora teknikföretagen. Och jag frågade, Hej, vad gör du om etiketterna är inkonsekventa? Och han sa, Ja, vi har det här teamet på flera hundra personer utomlands som gör märkningen. Så jag ska skriva märkningsinstruktionerna, få tre personer att märka varje bild och sedan tar jag ett genomsnitt. Och jag sa, Japp, det är det rätta att göra när du har en gigantisk datamängd. Men när jag arbetar med ett mindre team och etiketterna är inkonsekventa, spårar jag bara upp de två personer som inte håller med varandra, får båda på ett Zoom-samtal och låter dem prata med varandra för att försöka nå en lösning.

Jag vill rikta vår uppmärksamhet nu för att prata om dina tankar om den allmänna AI-branschen. Algoritmen är vårt AI-nyhetsbrev, och jag gav våra läsare möjlighet att skicka några frågor till dig i förväg. En läsare frågar: AI-utveckling verkar mestadels ha gått mot antingen akademisk forskning eller storskaliga, resurskrävande, stora företagsprogram som OpenAI och DeepMind. Det lämnar egentligen inte mycket utrymme för små startups att bidra. Vad tror du är några praktiska problem som mindre företag verkligen kan fokusera på för att hjälpa till att driva en verklig kommersiell användning av AI?

Jag tror att mycket av uppmärksamheten i media tenderar att ligga på de stora företagen, och ibland på de stora akademiska institutionerna. Men om du går på akademiska konferenser finns det mycket arbete som utförs av mindre forskargrupper och forskningslabb. Och när jag pratar med olika människor i olika företag och branscher känner jag att det finns så många affärsapplikationer som de skulle kunna använda AI för att ta itu med. Jag brukar gå till företagsledare och fråga: Vilka är dina största affärsproblem? Vilka är de saker som oroar dig mest? så att jag bättre kan förstå verksamhetens mål och sedan brainstorma om det finns en AI-lösning eller inte. Och ibland finns det inte, och det är bra.

Jag kanske bara nämner ett par luckor som jag tycker är spännande. Jag tror att det idag är väldigt manuellt att bygga AI-system. Du har några briljanta maskinlärande ingenjörer och datavetare som gör saker i en dator och sedan driver saker till produktion. Det finns många manuella steg i processen. Så jag är entusiastisk över ML ops [maskininlärningsoperationer] som en framväxande disciplin för att hjälpa till att göra processen att bygga och distribuera AI-system mer systematisk.

Dessutom, om du tittar på många av de typiska affärsproblemen – alla funktioner från marknadsföring till talang – finns det mycket utrymme för automatisering och effektivitetsförbättringar.

Jag hoppas också att AI-gemenskapen kan titta på de största sociala problemen – se vad vi kan göra för klimatförändringar eller hemlöshet eller fattigdom. Utöver de ibland mycket värdefulla affärsproblemen bör vi också arbeta med de största sociala problemen.

Hur går du egentligen tillväga för att identifiera om det finns en möjlighet att bedriva något med maskininlärning för ditt företag?

Jag ska själv försöka lära mig lite om verksamheten och försöka hjälpa företagsledarna att lära sig lite om AI. Sedan brukar vi brainstorma en uppsättning projekt och för var och en av idéerna kommer jag att göra både teknisk diligence och business diligence. Vi ska titta på: Har du tillräckligt med data? Vad är träffsäkerheten? Är det en lång svans när du sätter i produktion? Hur fyller man tillbaka data och stänger slingan för kontinuerligt lärande? Så – se till att problemet är tekniskt genomförbart. Och sedan affärsflit: vi ser till att detta kommer att uppnå den ROI som vi hoppas på. Efter den processen har du det vanliga, som att uppskatta resurserna, milstolpar och sedan förhoppningsvis gå in i utförande.

Ett annat förslag: det är viktigare att börja snabbt, och det är okej att börja smått. Min första meningsfulla affärsapplikation på Google var taligenkänning, inte webbsökning eller reklam. Men genom att hjälpa Googles talteam att göra taligenkänning mer exakt, gav det Brain-teamet trovärdighet och möjlighet att gå efter större och större partnerskap. Så Google Maps var det andra stora partnerskapet där vi använde datorseende – för att läsa husnummer för att geolokalisera hus på Google maps. Och först efter de två första framgångsrika projekten hade jag ett mer seriöst samtal med reklamteamet. Så jag tror att jag ser fler företag misslyckas genom att börja för stort än misslyckas genom att börja för litet. Det är bra att göra ett mindre projekt för att komma igång som organisation för att lära sig hur det känns att använda AI och sedan fortsätta med att bygga större framgångar.

Vad är en sak som vår publik borde börja göra imorgon för att implementera AI i sina företag?

Hoppa in. AI orsakar en förändring i dynamiken i många branscher. Så om ditt företag inte redan gör ganska aggressiva och smarta investeringar är det här en bra tid.

Dölj