211service.com
Maskininlärning för alla
Mycket av beräkningsrören som driver Google är skyldig något Jeff Dean . Han byggde tidiga versioner av företagets webbsökning och annonssystem. Och han uppfann MapReduce , ett system för att arbeta med stora datamängder som utlöste en stor förändring inom datorbranschen.
Dean arbetar nu för att återuppfinna Googles inre funktioner och den vidare världen igen. Han leder forskargruppen Google Brain, som syftar till att främja maskininlärning – konsten att få programvara att komma på hur man gör saker själv istället för att vara explicit programmerad. Programvara från Google Brain dras nu av mer än 600 team inom Google, ofta för interna system som är osynliga för konsumenterna. Men under det senaste året har teknik med ursprung i Google Brain också levererat stora uppgraderingar av Googles webbsökning, spamfiltrering och översättningstjänster.
Maskininlärning har en längre historia inom Google, där ingenjörer har utbildat programvara för att visa människor webbsidor som är relevanta för deras sökfrågor, välja annonser relaterade till innehåll de tittar på, visa annonser som folk klickar på och välja videor att rekommendera på YouTube. Det är ett av många företag som utökade investeringar i forskning om maskininlärning efter att mjukvara som skickar data genom nätverk av simulerade neuroner gav genombrottsresultat inom tal- och bildigenkänning.
Nu säger Dean att inom kort kommer den typ av teknik som hans team bygger att komma till många andra industrier förutom datoranvändning. Han träffade MIT Technology Reviews Tom Simonite vid Googles huvudkontor i Mountain View, Kalifornien.
Hur har mer kraftfull, lättanvänd maskininlärning förändrat hur team inom Google arbetar med nya problem och produkter?
Det har varit en väldigt stor förändring. Under de senaste fem åren har maskininlärning dramatiskt utökat omfattningen av vad som är möjligt med datorer, särskilt inom områden som datorseende och språkförståelse. Detta leder naturligtvis till fantastiska nya produkter och funktioner – till exempel sökmöjligheterna i Google Foto [där du kan söka i dina foton med hjälp av termer som hund eller strand], eller Gmail Smart Reply-funktionen. Men det gör det också möjligt för Googles ingenjörer att tänka mer ambitiöst på vilka typer av problem de kan ta itu med. Som en analogi kunde datorer för fem år sedan inte se särskilt bra. Nu kan de se mycket bra under vissa omständigheter, och så utökar detta naturligtvis mängden saker som vi tror kan åstadkommas.
Du ledde utvecklingen av TensorFlow , programvara som driver Googles forskning om maskininlärning samt produkter som en ny Gmail-funktion som skriver svar till e-post. Nu ger företaget bort det gratis. Varför?
Att ha ett gemensamt sätt att uttrycka maskininlärningsidéer är verkligen användbart. Det finns mycket potential för maskininlärning över hela världen. Vi ser det i den akademiska världen, på andra företag, i regeringen.
Kommer varje bransch att förlita sig mycket på maskininlärning?
Jag tror att det finns många branscher som samlar in mycket data och som ännu inte har övervägt konsekvenserna av maskininlärning, men som i slutändan kommer att använda den. Transport, med självkörande fordon, kommer att bli en stor användning av maskininlärning. Hälso- och sjukvården har många intressanta maskininlärningsproblem — polikliniska resultat, eller när du har röntgenbilder och vill förutsäga saker. Jag tror inte att det finns en bransch som kommer att påverkas; Jag tror att det kommer att bli massor.
Kommer maskininlärning att bli en grundläggande komponent för att tillämpa datoranvändning?
Ja, absolut. Inskrivningen i datavetenskapsprogrammet maskinlärande klasser skjuter i taket.
Det är bara att förvänta sig att människor har en viss grundläggande förståelse för maskininlärning och har gjort några projekt, [och vill] använda maskininlärning.