Facebook lanserar avancerad AI-ansträngning för att hitta mening med dina inlägg

Facebook kommer att få en ännu bättre förståelse för de 700 miljoner människor som använder det sociala nätverket för att dela detaljer om sina personliga liv varje dag.

En ny forskargrupp inom företaget arbetar på ett framväxande och kraftfullt tillvägagångssätt för artificiell intelligens, känd som djupinlärning, som använder simulerade nätverk av hjärnceller för att bearbeta data. Att tillämpa denna metod på data som delas på Facebook kan möjliggöra nya funktioner och kanske öka företagets annonsinriktning.

Deep learning har visat potential som grund för programvara som kan reda ut de känslor eller händelser som beskrivs i text även om de inte uttryckligen refereras till, känner igen objekt i foton och gör sofistikerade förutsägelser om människors sannolika framtida beteende.

Gruppen med åtta personer, internt känd som AI-teamet, började nyligen arbeta, och detaljerna om dess experiment är fortfarande hemliga. Men Facebooks tekniska chef, Mike Schroepfer, kommer att säga att ett uppenbart sätt att använda djupinlärning är att förbättra nyhetsflödet, den personliga listan över senaste uppdateringar som han kallar Facebooks mördarapp. Företaget använder redan konventionella maskininlärningstekniker för att beskära de 1 500 uppdateringar som genomsnittliga Facebook-användare möjligen kan se ner till 30 till 60 som bedöms mest sannolikt vara viktiga för dem. Schroepfer säger att Facebook måste bli bättre på att välja de bästa uppdateringarna eftersom dess användare genererar mer data och använder det sociala nätverket på olika sätt.

Datauppsättningen ökar i storlek, människor får fler vänner och med tillkomsten av mobiler är människor online oftare, berättade Schroepfer MIT Technology Review . Det är inte så att jag tittar på mitt nyhetsflöde en gång i slutet av dagen; Jag drar hela tiden fram min telefon medan jag väntar på min vän eller när jag är på kaféet. Vi har fem minuter på oss att verkligen glädja dig.

Shroepfer säger att djupinlärning också kan användas för att hjälpa människor att organisera sina foton eller välja vilken som är bäst att dela på Facebook.

När man tittar på djup inlärning följer Facebook sina konkurrenter Google och Microsoft, som har använt metoden med imponerande effekt under det senaste året. Google har anställt och förvärvat ledande talanger inom området (se 10 Breakthrough Technologies 2013: Deep Learning ), och förra året skapade man programvara som lärde sig känna igen katter och andra föremål genom att granska stillbilder från YouTube-videor. Den underliggande tekniken användes senare för att minska felfrekvensen för Googles röstigenkänningstjänster (se Googles Virtual Brain Goes to Work).

Samtidigt har forskare på Microsoft använt djupinlärning för att bygga ett system som översätter tal från engelska till mandarinkinesiska i realtid (se Microsoft Brings Star Treks Voice Translator till liv). Den kinesiska webbjätten Baidu etablerade också nyligen ett forskningslabb i Silicon Valley för att arbeta med djupinlärning.

Mindre komplexa former av maskininlärning har underbyggt några av de mest användbara funktionerna som utvecklats av stora teknikföretag under de senaste åren, som skräppostdetekteringssystem och ansiktsigenkänning i bilder. De största företagen har nu börjat investera mycket i djupinlärning eftersom det kan ge betydande vinster jämfört med de mer etablerade teknikerna, säger Elliot Turner, grundare och VD för AlchemyAPI , som hyr tillgång till sin egen mjukvara för djupinlärning för text och bilder.

Forskning om att förstå bilder, text och språk har pågått i decennier, men den typiska förbättringen som en ny teknik kan erbjuda var en bråkdel av en procent, säger han. I uppgifter som syn eller tal ser vi 30 procent plus förbättringar med djupinlärning. Den nyare tekniken tillåter också mycket snabbare framsteg när det gäller att träna en ny mjukvara, säger Turner.

Konventionella former av maskininlärning är långsammare eftersom innan data kan matas in i inlärningsmjukvara måste experter manuellt välja vilka funktioner i den programvaran ska uppmärksamma, och de måste märka data för att till exempel ange att vissa bilder innehåller bilar.

System för djupinlärning kan lära sig med mycket mindre mänsklig inblandning eftersom de själva kan ta reda på vilka egenskaper hos rådata som är mest betydelsefulla. De kan till och med arbeta med data som inte har märkts, som Googles programvara för kattigenkänning gjorde. System som kan göra det använder vanligtvis programvara som simulerar nätverk av hjärnceller, kända som neurala nät, för att bearbeta data. De kräver mer kraftfulla samlingar av datorer för att kunna köras.

Facebooks AI-grupp kommer att arbeta med applikationer som kan hjälpa företagets produkter såväl som på mer allmän forskning som kommer att offentliggöras, säger Srinivas Narayanan, en ingenjörschef på Facebook som hjälper till att sammansätta den nya gruppen. Han säger att ett sätt som Facebook kan hjälpa till att främja djupinlärning är genom att dra nytta av sitt senaste arbete med att skapa nya typer av hårdvara och mjukvara för att hantera stora datamängder (se Inside Facebooks Not-So-Secret New Data Center). Det är både ett mjukvaru- och ett hårdvaruproblem tillsammans; sättet du skalar de här nätverken på kräver mycket djup integration av de två, säger han.

Facebook anlitade expert på djupinlärning Marc'Aurelio Ranzato bort från Google för sin nya grupp. Andra medlemmar inkluderar Yaniv Taigman, medgrundare av ansiktsigenkänningsstartupen Face.com (se When You're Always a Familiar Face ); expert på datorseende Lubomir Bourdev; och veteranen Facebook-ingenjör Keith Adams.

Dölj