داخل Google AI Rewrite: بناء تعلم الآلة في كل شيء

Anonim
داخل Google AI Rewrite: بناء تعلم الآلة في كل شيء

ماكوتو كويكي هو مزارع خيار في اليابان. Koike هو مصمم أنظمة مضمن سابقًا قضى سنوات في العمل في صناعة السيارات اليابانية ، لكنه عاد في عام 2015 إلى المنزل للمساعدة في مزرعة خيار والديه. سرعان ما أدرك أن المهمة اليدوية لفرز الخيار حسب اللون والشكل والحجم والسمات مثل "الشوكة" كانت في كثير من الأحيان أكثر صعوبة وشاقة من نموها. مستوحى من ابتكار التعلم العميق لبرنامج AlphaGo للذكاء الاصطناعي في Google ، فقد بدأ في أتمتة المهمة.

بدأت الشركات في تطبيق الذكاء الاصطناعى العملي بكل أنواعه ، لكن من الآمن القول أن لا أحد رأى حل فرز خيار كويكي AI. لم يعمل Koike مطلقًا مع تقنيات الذكاء الاصطناعي من قبل ، لكن باستخدام مكتبة TensorFlow للتعلم الآلي مفتوحة المصدر ، بدأ في إدخال صور للخيار. بفضل خوارزميات رؤية الكمبيوتر للتعرف على الأشياء والتعلم العميق لتدريب TensorFlow على الفروق الدقيقة في الخيارات المختلفة ، أدركت Koike أن بإمكانها تحديد وترتيب الخضروات بمستوى عالٍ من الدقة. ثم ، من خلال استخدام لا شيء سوى TensorFlow وجهاز كمبيوتر Raspberry Pi 3 الرخيص ، صمم Koike آلة فرز آلية ما زالت المزرعة تستخدمها حتى اليوم.

TensorFlow هي واحدة من العديد من الخوارزميات مفتوحة المصدر والأدوات التي تحدث ثورة في ما يمكن للمطورين والشركات حله باستخدام الذكاء الاصطناعي. وسعت الشركة في مهمتها إلى "جلب فوائد الذكاء الاصطناعي للجميع" من خلال إصدار Google.ai في مؤتمر Google I / O الخاص بها ، حيث قامت بتجميع جميع موارد AI الخاصة بها معًا في منصة موحدة. تقوم Google أيضًا بدمج هذه التقنيات وواجهات برمجة التطبيقات (APIs) في كل ما تفعله ، حيث تقوم بتسويق ML في منتجاتها وتعيد تعريف كيفية عمل برنامجها بشكل أساسي.

قامت PCMag بزيارة Googleplex مؤخرًا وتحدثت إلى المديرين التنفيذيين من G Suite و Google Cloud Platform (GCP) ومختبر حلول التعليم المتقدم في الشركة (ML ASL) حول كيفية قيام Google بإعادة بناء نفسها باستخدام الذكاء الاصطناعي.

الذكاء الاصطناعي في كل مكان

دعنا نقول أن أحد عملائك يواجه مشكلة. يجري وكيل من قسم المساعدة في شركتك محادثة مباشرة مع العميل من خلال تطبيق الدردشة الذي يخزن البيانات على Google Cloud Platform. لمساعدتهم في حل المشكلة ، يحتاج المستخدم إلى إرسال بعض البيانات الشخصية الحساسة للوكيل. الآن دعنا نقول أن العميل هو جدتك. يطلب مندوب خدمة العملاء من الجدة بعض البيانات ، ولكن بدلاً من ذلك ، ترسل الجدة معلومات أكثر مما تحتاج إليه عندما تقوم بتحميل صورة لبطاقة الضمان الاجتماعي الخاصة بها إلى الدردشة.

بدلاً من أرشفة Google لمعلومات التعريف الشخصية (PII) ، تظهر الصورة برقم الضمان الاجتماعي ويتم تنقيح PII تلقائيًا. لا يرى الوكيل أبدًا أي معلومات لا يحتاجون إليها ولا ينتقل أي من هذه البيانات إلى أرشيف Google المشفر. أثناء العرض التجريبي لتقنية DLP API في مقر Google في Mountain View ، كاليفورنيا ، سحبت الشركة الستار عن كيفية تحليل خوارزميات ML للنصوص والصور لتحقيق ذلك.

أوضح روب سادوسكي ، مسؤول تسويق الثقة والأمان لبرنامج Google Cloud ، أن عملية إعادة التنقيح التلقائية مدعومة بواجهة برمجة التطبيقات (DLP) لمنع فقدان البيانات من Google وتعمل تحت السطح لتصنيف البيانات الحساسة. تفعل الخوارزمية نفس الشيء مع بيانات مثل أرقام بطاقات الائتمان ، ويمكنها أيضًا تحليل الأنماط لاكتشاف متى يكون الرقم مزيفًا. هذا ليس سوى مثال واحد على استراتيجية Google الدقيقة لنسج الذكاء الاصطناعي في تجاربها ، وإعطاء الشركات والمطورين مثل Koike الموارد اللازمة لفعل الشيء نفسه.

تنبؤات Business Tech: دمج 5 طرق لمنظمة العفو الدولية والبيانات الضخمة والسحابة في عام 2017

"إنه يبدأ بأجهزة مركز البيانات الأساسية [مثل شريحة تايتان المعلنة حديثًا] ،" تابع سادوفسكي. "علاوة على ذلك ، يتم تقديم خدمات التطبيقات والمصادقة مع البيانات والاتصالات المشفرة بالكامل. علاوة على ذلك ، هوية المستخدم. والطبقة الأخيرة من الدفاع هي كيف نعمل مع المراقبة والكشف والاستجابة للحوادث على مدار الساعة وطوال أيام الأسبوع. إنها الطريقة التي نعمل بها حل لأشياء مثل الوصول عن بعد الآمن من خلال وكيل إدراك الهوية ، إنها خدمة DLP البرنامجية للعثور على تسرب البيانات ومنعه والمساعدة في إدارة البيانات وكذلك الأمان ، ونحن نهدف إلى جعل هذه القدرات سهلة ومستهلكة وجعلها تعمل على نطاق واسع. "

أذكى G Suite

"نحن نحاول أن نفكر في الأمر بالنسبة للمستخدم وهذا يشمل أيضًا التعلم الآلي. لقد بدأنا بالردود الذكية في البريد الوارد وحققنا نجاحًا جيدًا في Gmail ، وقد أدى ذلك إلى ميزة الاستكشاف في محرّر المستندات والصفحات ، والشرائح. "

تم طرحه في الخريف الماضي ، استكشف تطبيق "معالجة اللغة الطبيعية" (NLP) على تجربة الإنتاجية داخل التطبيق. في محرر المستندات ، يمنحك استكشاف اقتراحات فورية بناءً على المحتوى في وثيقتك وتوصي تلقائيًا بالموضوعات والموارد ذات الصلة. في الشرائح ، يقوم بإنشاء اقتراحات تصميم لخفض تنسيق العرض التقديمي. حالة الاستخدام الأكثر إثارة للاهتمام ، ومع ذلك ، هو في الأوراق. أوضح ليفينغستون كيف يستخدم Explore ML لتبسيط تحليل البيانات ورؤى ذكاء الأعمال (BI).

"لا يعرف الكثير من المستخدمين ما هو شكل جدول محوري أو كيفية استخدامه لتصور ورقة من البيانات" ، أوضح ليفينغستون. "لنفترض أنك تتعامل مع بيانات المبيعات لأحد العملاء ، حيث يكون كل صف عبارة عن عنصر تم بيعه. يتيح لك Explore إمكانية الكتابة في استعلامات اللغة الطبيعية مثل" ما العنصر العلوي في يوم الجمعة الأسود؟ " ويبصق ردا مثل "لقد بعت 563 زوجا من السراويل." نحن نتصدى لتحليل البيانات بطريقة توفر الوقت في إنشاءallallfullscreen "frameborder =" 0 "src =" https://www.youtube.com/embed/FwpjBp-MgHk؟list=PLIivdWyY5sqI8RuUibiH8sMb1ExIw0lAR&wmode=transpar "

عرض توضيحي لميزة الاستكشاف في الأوراق ، من مؤتمر Google Cloud NEXT في شهر مارس الماضي.

وفقًا لـ Livingston ، تخطط Google لتوسيع هذا النوع من عمليات البحث السحابية التي تستند إلى ML إلى أطراف ثالثة والبدء في بناء نظام بيئي من حوله. الفكرة الشاملة هي موضوع شائع في الذكاء العملي العملي: أتمتة العمليات اليدوية لتحرير المستخدمين من أجل المزيد من العمل الإبداعي. تقع هذه الفكرة في قلب معظم تطبيقات تطبيقات ML: لأتمتة عمليات الأعمال القابلة للتكرار والمهام اليومية ، بما في ذلك فرز الخيار.

وقال ليفينجستون: "في الأعمال التجارية والمستهلكين ، لدى المستخدمين أنماط التفاعل الطبيعية هذه. إن التحول إلى السحابة والإنتاجية النقالة يغير حقًا الطريقة التي يعمل بها الناس ، وأساليب التعلم الآلي هذه أساسية بالنسبة لها". "نظرًا لقوتنا في التعلم الآلي ، نظرًا لأن منتجاتنا تعمل كقاعدة ، وبسبب جميع البيانات الموجودة في السحابة الخاصة بنا ، فنحن في وضع فريد لتطبيق ذلك والتوسع إلى ما لا نهاية."

تشغيل ثورة تعلم الآلة

الذكاء الاصطناعي العام

عمل ML ASL مع بنك HSBC Bank plc ، أحد أكبر مؤسسات الخدمات المصرفية والمالية في العالم ، على حلول ML لمكافحة غسل الأموال وتسجيل الائتمان الائتماني. عملت ML ASL أيضًا مع United Services Automobile Association (USAA) ، وهي مجموعة من شركات Fortune 500 للخدمات المالية ، لتدريب مهندسي المنظمة على تقنيات ML المطبقة على سيناريوهات تأمين محددة. تستخدم eBay أدوات Google لتدريب مساعدها الرقمي ShopBot. عندما يعمل ML ASL مع شركة ، أوضح Uribe الركائز الأربع التي تشكل العملية.

وقال أوريبي: "أنت بحاجة إلى عرض حسابي قوي للتعامل مع المتطلبات الشديدة لوظائف ML ، ويقوم العمود الفقري للألياف البصرية الموزعة في برنامج" شركاء Google المعتمدون "بنقل البيانات من العقدة إلى العقدة بكفاءة عالية". "لدينا محرك Cloud Machine Learning Engine لمساعدة العملاء على تدريب النماذج. نحن نساعد العملاء على تنفيذ البيانات من خلال الوصول إلى مجتمع Kaggle الذي يضم أكثر من 800000 من علماء البيانات النشطين. أخيرًا ، أنت بحاجة إلى أن تكون المواهب موجودة ، وعلى جانب البحث من الأشياء ، لدينا برنامج Brain Residency لتدريب المهندسين على المناهج التعليمية المعقدة ، ونرى أنها لبنات أساسية لمساعدة العملاء على بناء تطبيقات ذكية ".

جوجل النظام البيئي

يرى أوريبي أدوات مثل TensorFlow كأداة تمكين كبيرة لاعتماد ML على نطاق واسع في السوق. لم تصبح هذه التقنيات جوهرًا بالنسبة إلى ماهية Google وكيف تقترب عملاق التكنولوجيا من تطوير المنتجات ، ولكن يعتقد Uribe أن تقنية ML المتاحة على نطاق واسع ستساعد على تحسين الأعمال ، وفتح تدفقات إيرادات جديدة ، وابتكار فئة جديدة من التطبيقات الذكية.

وقال أوريبي "فكر في الأمر كثورة صناعية جديدة". "نحن نرى هذه الأدوات تُمكِّن طلبات زيادة الحجم في الكفاءة والتجارب التي لم ترها من قبل. إنه لأمر مدهش أن نرى كيف تقوم الشركات الناشئة بتطبيقه. انظر إلى مزارع الخيار في اليابان. لقد استخدم TensorFlow لبناء نموذج للتصنيف وفرز الخيار استنادًا إلى الأنماط والحجم والقوام ، إلخ ، ثم صنع أجهزة متخصصة لتنفيذه ، وهذا المستوى من الديمقراطية أمر لا يصدق لرؤيته ، وبالكاد خدشنا السطح. "