211service.com
Google erbjuder molnbaserad inlärningsmotor
Från Amazons produktrekommendationer till Pandoras förmåga att hitta nya låtar vi gillar, de smartaste webbtjänsterna som finns förlitar sig på maskininlärning – algoritmer som gör det möjligt för programvara att lära sig hur man reagerar med en viss intelligens på ny information eller händelser.
Nu har Google lanserat en tjänst som skulle kunna ge så smarta funktioner till många fler appar. Google Prediction API ger ett enkelt sätt för utvecklare att skapa programvara som lär sig hur man hanterar inkommande data. Till exempel kan de Google-värdade algoritmerna tränas att sortera e-postmeddelanden i kategorier för klagomål och beröm med hjälp av en datauppsättning som ger många exempel av båda slagen. Framtida e-postmeddelanden kan sedan screenas av programvara som använder det API:et och hanteras därefter.
För närvarande har bara hundratals utvecklare tillgång till tjänsten, säger Travis Green, Googles produktchef för Prediction API, men redan nu kan vi se människor göra fantastiska saker. Användarna sträcker sig från utvecklare av mobil- och webbappar till oljebolag, säger han. Många vill göra produktrekommendationer, och det finns också intressanta NGO-användningsfall med idéer som att extrahera nödinformation från Twitter eller andra källor online.
Maskininlärning är inte en lätt funktion att bygga in i mjukvara. Olika algoritmer och matematiska tekniker fungerar bäst för olika typer av data. Specialiserade kunskaper om maskininlärning behövs vanligtvis för att överväga att använda det i en produkt, säger Green.
Googles tjänst tillhandahåller en sorts maskinlärande svart låda – data går i ena änden och förutsägelser kommer ut i den andra. Det finns tre grundläggande kommandon: ett för att ladda upp en samling data, ett annat som säger åt tjänsten att lära sig vad den kan av den och ett tredje för att skicka in ny data som systemet kan reagera på baserat på vad det lärt sig.
Utvecklare kan distribuera det på sin webbplats eller app inom 20 minuter, säger Green. Vi försöker tillhandahålla en riktigt enkel tjänst som inte kräver att de spenderar månad efter månad på att prova olika algoritmer. Googles svarta låda innehåller faktiskt en hel uppsättning olika algoritmer. När data laddas upp, tillämpas alla algoritmer automatiskt för att ta reda på vilken som fungerar bäst för ett visst jobb, och den bästa algoritmen används sedan för att hantera all ny information som skickas.
Att få maskininlärning till en Google-skala är viktigt, säger Joel Confino, en mjukvaruutvecklare i Philadelphia som bygger storskaliga webbappar för banker och läkemedelsföretag och medlem i förhandsgranskningsprogrammet. Han använde Prediction API för att snabbt utveckla ett enkelt men effektivt spam e-postfilter , och han säger att tjänsten har tydlig kommersiell potential.
Till exempel är det osannolikt att en bank eller ett kreditkortsföretag som vill använda maskininlärning för att bygga system som fattar beslut baserat på historiska transaktioner har den specialiserade personalen och den nödvändiga infrastrukturen för vad som är ett beräkningsintensivt tillvägagångssätt. Detta API kan vara ett sätt att få en kapacitet billigt som skulle kosta enormt mycket genom en traditionell väg.
Googles nya tjänst kan också vara mer tilltalande för företag som är försiktiga med att lämna över sin data till molnleverantörer, säger Confino. Uppgifterna kan vara helt otydliga, och du kan fortfarande använda den här tjänsten. Google behöver inte veta om de siffror du skickar är aktiekurser eller bostadspriser.
Google får dock en del information som den kan använda för att förbättra sina maskininlärningsalgoritmer. Vi tittar inte på användarnas data, men vi ser samma mått på förutsägelsekvalitet som de gör, för att hjälpa oss att förbättra tjänsten, säger Green. Ingenjörerna som kör Prediction API kommer att veta om en viss algoritm sällan används, eller om en ny behöver läggas till i mixen för att bättre bearbeta vissa typer av data.
Prediction API har potentialen att vara en utjämnare mellan etablerade företag och mindre startups, säger Pete Warden, en ex-Apple-ingenjör som nu arbetar med sin egen startup OpenHeatMap.com . Det har varit en konkurrensfördel för stora företag som Amazon, vars produktrekommendation bygger på maskininlärning, förklarar han. Nu måste du fortfarande ha en anständig uppsättning träningsdata, men du behöver inte ha samma kompetensnivå.
Warden har ännu inte fått tillgång till Prediction API, men har planer på att använda det för att förbättra en tjänst han byggt som visar var personer som använder ett visst ord eller en viss fras på Twitter befinner sig. Det skulle vara riktigt intressant att också se var de säger positiva och negativa saker om ett ämne, säger Warden. Prediction API skulle kunna tränas för att skilja mellan positiva och negativa tweets för att göra det, säger han.
Chris Bates, en dataforskare med musiktjänst online Grooveshark och medlem i förhandsvisningsprogrammet håller med om att Googles svarta låda kommer att möjliggöra bredare användning av maskininlärning, men han hävdar att tjänsten måste mogna. I dag är det bra på att förutsäga vilket språktext som finns på och även sentimentanalys, till exempel för att plocka fram positiva och negativa recensioner, säger han.
Men i slutändan kan det ha sina begränsningar att inte kunna inspektera algoritmernas inre funktion och finjustera dem för en specifik användning. Det är bra för fall som inte är verksamhetskritiska, där du har råd med några falska positiva resultat, säger Bates. Till exempel kan ett skräppostfilter som då och då släpper igenom enstaka skräpmeddelanden fortfarande vara användbart, men ett kreditkortsföretag kanske inte kan acceptera eventuella fel.