AI voice assistants fuel sexist gender stereotypes: UN study

안녕 시리,이 성 차별 주의자 야? Unit d Nations의 새로운 연구에 따르면 femal AI 보조원은 무기력 성 고정 관념을 강화한다고 말합니다 Apple의 Siri, Google의 Go gle Assistant, Microsoft의 Cortana 및 Amazon의 Ale a는 모두 여성 음성과 함께 제공되지만 대부분 남성 음성 설정으로 전환 할 수 있습니다 U 보고서에 따르면, 이러한 기술은 성기가없고, 이름과 목소리가 분명합니다

"음성 보조자의 연설은 여성이기 때문에 버튼을 누르거나 '음성'과 같은 음성 명령을 사용하여 여성이 의무화하는 신호를 보낸다 '또는'OK '를 누르십시오 보조원은 사령관이 그 일을 처리 할 수있는 권한이 없다 "고 밝혔다 "그것은 자신의 어조 또는 h stility에 상관없이 쿼리에 응답하는 명령을 존중합니다 많은 공동체에서 이것은 여성이 가난한 처우에 대해 관용적이라는 성 평등을 강화시킨다

" 많은 기술 회사들은 여성들이 "유익한"것으로 보았 기 때문에 남자들의 목소리는 권위있는 것으로 보였기 때문에 여자들의 목소리를 괴롭혔다 "그 기자는 첨단 기술 회사들이 단지 자신들이 선호하는 것을 사용하고 있다고 말하고있다 이러한 널리 퍼진 성 차별적 이념을 강화합니다 그것은 AI d velopers가 대부분 남성 인 것을 돕지 않습니다 ield에 여성이 없다는 것은 UN이보고 한 기술 내에서 고유 한 아이를 창출합니다

또 다른 눈부신 문제는 여성의 목소리가 노골적인 성희롱에 어떻게 대응하는지에 관한 것입니다 이러한 AI 인공 지능 검사에서 제기되는 많은 문의는 성적인 내용입니다 그러나 응답이 주요 남성 직원에 의해 작성되었으므로 응답은 시스템 종료 대신 허술하고 재미있는 복근으로 충족되어 이러한 진술이 일부분이라는 생각을 강화합니다 일상적인 대화와 괴롭힘의 형태가 아닙니다 "Siri가 대답했다, 'You are addy?'라고 묻자, 'Y u are' 사용자가 알렉사와의 결혼을 제안하면 '죄송합니다, 나는 형이 아닙니다'라고합니다

날짜를 묻는다면 Alexa는 '친구가되자'라고 대답했습니다 마찬가지로, Cortana는 '당신이 물을 수있는 모든 질문 중 '과 같은 한 줄짜리 이야기로 만났다 "고 보고서는 설명했다 해결책으로,이 논문은 이러한 거친 여성들의 작업을 제거하고 대신 "엔다리스 (enderless)"음성 보조 장치를 만들기 위해 노력하는 기술 자이르츠를 추천합니다

How to use Google's free AI video editing app (Edit without an editor)

-이게 인공 지능 동영상을 수정할 수 있습니다 귀하의 휴대 전화에서 직접, 완전 무료

(흥겨운 재즈 음악) 비디오 캡처는 정말 쉬워졌습니다 우리 모두는 주머니에 전화를 가지고 있습니다 다른 한편으로는 편집 역사적으로 정말로 도전적이었습니다 멋진 컴퓨터, 멋진 소프트웨어가 필요합니다 때때로 전문 편집인, 전체 워크 플로우 인공 지능을 활용하는 방법은 다음과 같습니다

만들 수있는 클립을 자동으로 선택하는 방법 멋지게 프로모션 비디오를 자르십시오 이것을 사용하여 광고를 만들 수 있습니다 요약 비디오 만들기, 훨씬 더 많은 가능성 이 비디오에는 우리의 가장 새로운 인턴 인 Ellie가 등장합니다 편집하기 전에, 당신은 당신의 영상을 캡처해야합니다

(활발한 음악) 동영상을 편집 할 때 사용할 앱 Google 포토는 무료입니다 및 Android 기기 그래서,이 응용 프로그램에 대한 좋은 점은, 모든 사진과 동영상 클라우드에 자동으로 업로드됩니다 Google Assistant를 사용하여 동영상을 만들 수 있습니다 이것은 인공 지능을 활용할 것입니다 클립의 특정 부분을 선택하려면 음악으로 내보낼 수있는 최종 비디오를 만들 수 있습니다

주식 음악 옵션도 많이 있습니다 당신이 당신 자신의 음악을 가지고 있다면, 전화기에서 바로 잡을 수 있습니다 때때로 인공 지능, 그것은 그것을 처음으로 얻지 못합니다 하지만 그건 괜찮아 왜냐면 당신은 앱에서 직접 사용자 정의 할 수 있기 때문입니다

클립의 다른 부분을 선택할 수 있습니다 당신은 클립을 삭제할 수 있습니다, 클립을 음소거 할 수 있습니다 그리고 그것들을 재정렬 할 수도 있습니다 당신이 말할 수있는 또 다른 특징이 있습니다 인공 지능 어떤 종류의 비디오를 만드는지

애완 동물이나 가족 또는 사람들을위한 것 이것은 비즈니스를위한 훌륭한 응용 프로그램을 가지고 있습니다 마찬가지로 상업용, 회의 요약 비디오, 팀 비디오, 피치 비디오, 귀하의 사무실 문화에 대한 블로그 로그, 기능 공지, 축하, 보도 자료 Google은 이것을 마케팅했습니다 친구 및 가족을위한 비디오 제작, 그러나 이것을 비즈니스 용도로 사용하는 것은 비밀스러운 일입니다

몇 번이나 비디오 및 사진을 찍었습니까? 실제로 어딘가에서 실제로 사용하지 않았습니까? 이것은이를 해결할 수있는 좋은 방법입니다 워터 마크도 없습니다 내가 만들고 수출하는 모든 것 어떤 소셜 채널에도 배치 할 수 있습니다 비즈니스 친화적이고 모든 음악 앱과 번들로 제공되는 것은 로열티가 없습니다 참고로,이 앱은 정말 가벼운 앱입니다

따라서 휴대 전화에 많은 공간을 차지하지 않습니다 – 다음은 면책 조항입니다 인공 지능으로 동영상을 편집 할 수 있습니다 인터넷에 빠르게 연결되어 있는지 확인하십시오 모든 동영상을 업로드해야합니다

Google의 클라우드로 Google 포토 무료 무제한 요금제를 사용할 수 있습니다 Google이 동영상을 압축한다고 말한 곳 조금 그들은 여전히 ​​풀 HD 품질을 유지합니다 저장 버튼을 누르십시오 일단 당신이 당신의 영상을 창조하면

너는 그것을 잃고 싶지 않아 동영상을 내보내는 것도 좋은 습관입니다 Google 포토에서 오프라인 저장 용량으로 귀하의 장치에 그러면 완성 된 편집 비디오를 오프라인 상태로 유지할 수 있습니다 또한 다양한 공유 옵션이 있습니다

어떤 이메일 주소로든 공유 할 수 있습니다 또는 소셜 네트워크 또는 공개 링크를 만들 수도 있습니다 누구나 볼 수 있습니다 동영상을 매우 쉽고 효율적으로 편집 할 수 있습니다 나는 그것이 덜 활용 된 도구라고 생각한다

나는 이것이 아마 구글 시장 친구 및 가족 동영상 용입니다 그러나 기업에서도이를 사용할 수 있습니다 보고 주셔서 대단히 감사 드리며 다음에 다시 보겠습니다 (흥겨운 재즈 음악))

Live Coding A Machine Learning Model from Scratch (Google I/O'19)

[음악 재생] SARA ROBINSON : 안녕하세요 컴퓨터 학습 모델 인 Live Coding에 오신 것을 환영합니다

기스로부터 내 이름은 사라 로빈슨이야 저는 Cloud Platform 팀에 대한 개발자 옹호자입니다 기계 학습에 중점을 둡니다 트위터 @SRobTweets에서 나를 찾을 수 있습니다

그리고 가장 최근에 SaraRobinsondev에서 내 블로그를 찾을 수 있습니다 그래서 우리가 오늘 다루어야 할 것들로 바로 들어가 봅시다 무엇에 대한 간단한 개요부터 시작하겠습니다 기계 학습은

그러면 우리가 만들 모델에 대해 이야기하겠습니다 마지막으로 라이브 코딩을 시작하겠습니다 그래서 높은 수준에서 기계 학습이란 무엇입니까? 나는이 정의를 정말로 좋아합니다 데이터를 사용하여 질문에 답합니다 여기서 아이디어는 점점 더 많은 데이터를 제공함에 따라 우리의 기계 학습 시스템에 예제를 개선하고 일반화 할 수 있어야한다

이전에 보지 못했던 그래서 우리는 거의 모든 감독 학습을 생각할 수 있습니다 문제 우리는 라벨 교육 훈련 자료를 가지고 있습니다 우리는 그것들을 우리의 모델에 넣고 우리의 모델은 예측을 출력합니다 자,이 훈련 입력은 실제로 아무것도 될 수 있습니다

그것은 영화 리뷰의 텍스트 일 ​​수 있습니다 우리의 모델은 정서 분석을 통해 우리에게 말해 줄 수 있습니다 이것은 긍정적 인 리뷰라는 것입니다 수치 적 또는 범주 적 적합성 데이터 일 수 있으며, 어쩌면 우리 모델이 수면의 질을 예측할 수도 있습니다 우리가 얻을거야

그것은 이미지 데이터 일 수 있습니다 따라서이 예에서 우리 모델은 예측하고 있습니다 이것이 고양이의 이미지라는 것 그래서이 모델 컨셉은 정말 마술처럼 보일 수 있습니다 하지만 실제로는 마술이 아닙니다

후드 아래에서 행렬 곱셈에 이르기까지 모두 종결됩니다 그래서 여러분 중 누군가가 y equals를 기억한다면 대수학 수업에서 mx plus b, 이것은 익숙하게 보일 것입니다 여기서 아이디어는 매트릭스로 기능을 사용한다는 것입니다 그것들은 당신의 의견입니다 네가 예측하려고하는 것을 가지고있어

그리고 여러분은이 무게와 편향 행렬을가집니다 그리고 이것들이 초기화되면 임의의 값으로 초기화됩니다 따라서 여기에있는 아이디어는 모델을 훈련 할 때, 이 무게와 편견에 대한 최적의 값을 찾을 수 있습니다 행렬을 사용하여 고정밀 도로 예측할 수 있습니다 그렇게 좋은 소리지만, 내가 보여준 모범을 생각해 보라

이전 슬라이드에서 – 아무도 매트릭스가 없었습니다 글쎄, 당신이 꽤 많이 표현할 수 있다는 것이 밝혀졌습니다 모든 유형의 데이터를 매트릭스로 사용합니다 이 이미지를 예로 들어 보겠습니다 모든 이미지는 실제로 픽셀 수입니다

그리고 이것은 컬러 이미지입니다 따라서 각 픽셀에는 빨강, 녹색 및 파랑 값이 있거나 RGB 값 이 이미지는 RGB 값의 세 행렬이됩니다 각 픽셀에 대해 카테고리 데이터가 있다고 가정 해 보겠습니다 따라서 데이터 세트의 특정 열에 대해서는, 그것은 사람이 일하는 산업을 묘사합니다

세 가지 가능한 값이 있습니다 카테고리 데이터를 인코딩하는 방법은 하나의 핫 인코딩이라고합니다 이렇게하려면 배열을 만듭니다 요소 수와 일치 당신이 가지고있는 카테고리의 수에 따라 -이 경우에는 3입니다 그리고 모든 값은 단일 1을 제외하고는 0입니다

그리고 그 1의 인덱스는 값과 일치합니다 그 범주의 그래서 어쩌면 너는 생각하고 있겠지, 그렇지 않니? 우리가 수치 적으로 이러한 건강 관리를 암호화한다면 더 쉬워 질 것입니다 1, 금융 2, 소매 3? 우리는 그 일을 할 수 있었지만, 우리의 모델 이것들을 연속적인 수치로 해석 할 것이다 따라서 소매업에 더 높은 비중을 부여 할 것입니다

소매업은 금융보다 큽니다 건강 관리보다 큽니다 그리고 우리 모델은 이러한 모든 입력을 똑같이 다루기를 바랍니다 이것이 우리가 핫 인코딩하는 이유입니다 그래서 우리가 어떻게 변형시킬 수 있는지 보여주었습니다

우리의 기계 학습 모델에 대한 우리의 데이터 이 이야기에서 나는 너와 나누고 싶다 ML 모델을 구축하는 데 도움이되는 Google 클라우드의 일부 도구 그리고 이것을 이것을 피라미드로 시각화하고 싶습니다 당신의 추상화 수준 행렬의 세부 사항으로 들어가고 싶다면 곱셈 및 모든 레이어 구축 우리가 오늘 할 일부터 당신의 모델을 처음부터, 너는 그걸 할 수있어

그러나 ML 전문가가 필요하지 않습니다 그래서 피라미드의 바닥에있는 도구들 데이터 과학자 및 ML 엔지니어를 대상으로합니다 그리고 우리가 맨 위로 이동하면 가지고 있지 않은 응용 프로그램 개발자를 목표로합니다 기계 학습 전문 기술 그래서이 이야기에서 우리는 건물을 짓게 될 것입니다

TensorFlow가있는 모델입니다 Cloud AI 플랫폼에 배포 할 예정입니다 여기에있는 아이디어는 모두 데이터 과학자와 ML로 전환시키는 것입니다 엔지니어 그래서 모델의 유형을 생각할 때 이것을 위해 빌드하고 싶었어

개발자들과 공감할만한 것을 선택하십시오 개발자로서 한 가지 도구가 있습니다 나는 내가 매일 사용한다고 생각할 수있다 스택 오버플로입니다 그래서 나는 텍스트 분류 모델을 만들고 싶었다

스택 오버플로의 태그를 예측할 수 있는지 확인합니다 의문 이를 위해서는 많은 데이터가 필요합니다 그리고 운 좋게도 공개 데이터 세트를 사용할 수 있습니다 Google의 빅 데이터 애널리틱스 인 Google Cloud BigQuery Google Cloud Platform의 창고 BigQuery에는 많은 흥미로운 대중 데이터가 있습니다

당신이 탐험하고 놀 수 있도록 설정합니다 그리고 그들은 Stack Overflow 질문 중 하나를 가지고 있으며, 스택 오버플로에 관한 몇 가지 질문은 없습니다 그것은 26 기가 바이트 이상 1700 만 행을 가지고 질문들 그래서 이것은 시작하기에 좋은 곳입니다 우리에게는 엄청난 시간이 없기 때문에, 나는 문제 공간을 단순화하고 싶었다

이 예에서 우리는 이 5 개의 태그가 관련된 질문을 분류하는 것 데이터 과학 및 기계 학습 그래서이 특별한 질문을 위해, 우리 모델 판다 (Pandas)로 분류해야합니다 데이터 과학을위한 파이썬 라이브러리입니다 첫 번째 단계는 BigQuery에서 데이터를 가져 오는 것입니다 BigQuery에는 멋진 웹 UI가있어 SQL을 직접 작성할 수 있습니다 브라우저에서 데이터를 가져온 다음 CSV로 다운로드하십시오

그것은 내가 한 일입니다 그래서 저는 제목과 제목을 추출합니다 그것들을 하나의 필드로 연결하고, 쉼표로 구분 된 태그 문자열을 얻습니다 그리고 나서이 다섯 개의 태그로만 질문을합니다 그래서이 쿼리를 실행했고 결과를 보았습니다

나는 뭔가를 알아 차렸다 많은 질문, 질문 포스터는 어떤 프레임 워크의 이름을 붙이기 편리합니다 그들은 매우 도움이되는 질문에서 사용하고 있습니다 하지만 그건 내 생각에 우리가 실제로 이것을 위해 기계 학습이 필요합니까? 우리는 전체 ML 시스템을 if 문으로 대체 할 수 있습니까? TensorFlow가 문제가된다면, 태그는 TensorFlow와 같습니다 대답은 '아니오

많은 질문 포스터가 이것을하기 때문에, 실제로 많은 질문을 게시하는 사람들이 있습니다 좋은 질문이지만 코드에 바로 들어가기 만하면됩니다 그리고 그들은 프레임 워크 나 태그 이름을 언급하지 않을 수도 있습니다 그래서 우리는이 질문들도 포착하고 싶습니다 그리고 우리 모델이 그 신호를 받아들이 길 원치 않습니다

단어만으로 질문을 식별 할 수 있습니다 TensorFlow라는 단어가 TensorFlow라는 단어와 함께 나타납니다 우리는 패턴을 찾기 위해 일반화 할 수 있기를 원했습니다 이 태그들 중에서 그래서 내가 훈련을 사전 처리 할 때 데이터, 내가하고 싶었던 것은 꺼내는 것이었다

이 명백한 키워드 그래서 저는 그것들을 공통 단어로 대체 할 수 있다고 생각했습니다 그리고 모두가 아보카도를 사랑하기 때문에, 나는이 모든 단어를 대체했다 프레임 워크의 약어, 단어 아보카도와 따라서 BigQuery의 결과는 다음과 같습니다

우리는 우리의 질문이 있습니다 우리는 아보카도 예측 모델을 가지고 있습니다 우리는 아보카도 데이터 세트를 가지고 있습니다 사방에 많은 아보카도가 있습니다 그래서 내가 전에 말하지 않은 것은 자유 형식의 텍스트 데이터를 매트릭스로 인코딩하는 방법이었습니다

이렇게하기위한 두 가지 접근 방식이 있습니다 저는 단어 모음이라고 불리는 것을 사용하려고합니다 이것은 시작하기에 정말 간단합니다 따라서 모델에 대한 각 입력을 생각할 수 있습니다 스크래 블 타일의 가방으로 단어의 가방에, 반면에 각 타일에있는 편지 대신에, 너는 각 타일에 한 마디있다

따라서이 유형의 모델은 단어의 순서를 감지 할 수 없습니다 문장에서,하지만 그것은 존재 또는 부재를 감지 할 수있다 특정 단어들 이게 어떻게 작동하는지 보여주기 위해, 나는 너에게 보여주고 싶다 정말 간단한 예입니다

따라서이 예에서는 문제 공간을 더욱 제한 할 것입니다 to say 우리는 단지 질문에 태그를 달고 있습니다 세 가지 유형의 태그가 있습니다 그리고 단어 모델의 가방에는 어휘 (vocabulary)라는 개념이 있습니다 그래서 잠시 동안 척해라

처음으로 영어를 배우고, 당신은이 10 단어 만 알고 있습니다 그것이 우리 모델이 문제를 보는 방법입니다 재미있는 대화로 이어질 수도 있습니다 우리는이 10 단어 만 알고있는 척합니다 그래서 우리가이 입력 질문을 할 때, 데이터 프레임 막대 그래프, 우리는 우리의 어휘를보고, 우리는 말할 것입니다, 좋습니다

나는이 세 단어를 알아 낸다 그 질문의 나머지 단어들 모델에 횡설수설 할 것입니다 그리고 우리가 우리의 모든 질문을 모델에 적용 할 때, 우리는 그들을 매트릭스로 먹이고 싶다 같은 크기입니다 그래서 우리가하는 일은 우리의 질문이 배열이되는 것입니다

1과 0을 사용하는 어휘의 크기 우리 어휘의 어떤 단어가 있는지 나타냅니다 따라서 데이터 프레임이 어휘의 첫 번째 색인이기 때문에, 우리 배열의 첫번째 원소는 1이되고, 데이터 프레임이 우리 질문에서 첫 번째 단어가 아니더라도 그래프와 플롯도 마찬가지입니다 요약하면, 우리의 질문은 1과 0의 어휘 크기의 배열 멀티 핫 인코딩이라고합니다

그리고 우리의 예측은 -이 특별한 모델 때문에, 우리 모델은 다음과 같은 질문을 식별 할 수 있습니다 하나가 아닌 여러 태그 그래서 이것은 또한 멀티 핫 어레이가 될 것입니다 이제 우리 모델에 대한 텍스트 데이터를 인코딩하는 방법을 알았습니다 우리 모델은 실제로 어떻게 생겼습니까? 우리 모델의 입력 데이터는 그 어휘 크기의 단어 가방이 될거야

매트릭스 그런 다음 숨겨진 레이어라고 불리는 것에 피드를 공급합니다 그래서 이것은 깊은 신경 네트워크가 될 것입니다 입력 사이에 레이어가 있음을 의미합니다 및 출력 레이어

그래서이 어휘 크기의 배열을 사용할 것입니다 어떤 크기로든 크기를 조정할 수 있습니다 두 번째 레이어와 세 번째 레이어를 선택하십시오 이제 숨겨진 레이어의 출력 우리에게 너무 많은 것을 의미하지는 않습니다 우리 모델은 그것을 표현하기 위해 사용하고 있습니다

복잡한 관계지만, 우리가 정말로 신경 쓰는 것 최종 레이어의 출력입니다 계산 방법에 대한 많은 옵션이 있습니다 이 층의 출력 우리는 시그 모이 드 (Sigmoid)라는 것을 고를 것입니다 그리고 이것이 할 것은 0과 1 사이의 값을 반환 할 것입니다 확률에 해당하는 각 태그에 대해 해당 태그가이 질문과 관련되어 있음을 나타냅니다

그래서이 특별한 예를 들어, 질문이있는 것처럼 높은 확률을 보인다 Keras 또는 TensorFlow에 관한 정보 그렇다면이 도구를 만들기 위해 우리가 사용할 도구는 무엇입니까? BigQuery를 사용하여 데이터를 수집하는 방법을 이미 보여 줬습니다 CSV를 다운로드했습니다 우리는 세 가지 오픈 소스 프레임 워크를 사용할 것입니다

사전 처리 및 일부 변환 작업 수행 데이터를 올바른 형식으로 가져 오기 위해 우리는 Pandas, Scikit-learn 및 Keras를 사용할 것입니다 TensorFlow를 사용하여 모델을 구축하고, 특히 tfkeras 우리는 Colab에서 교육 및 평가를 실시 할 것입니다 Colab은 클라우드 호스팅 된 Python 노트북이며, 브라우저에서 실행할 수 있습니다

누구나 사용할 수있는 것은 전적으로 무료입니다 마지막으로 Cloud AI Platform에 모델을 배포합니다 제목에 라이브 코딩이 나와 있습니다 데모로 넘어 갑시다 데모로 전환 할 수 있습니까? 굉장해

여기 Colab 노트북이 있습니다 연결 됐어 다시 말하지만, 누구나 브라우저에서 Colab에 액세스 할 수 있습니다 Colabresearch

googlecom 보시다시피, 여기에는 코드가 없습니다 무엇이 잘못 될 수 있습니까? 그냥 한마디의 코멘트 그래서 나는 몇 가지 코드를 작성하기 시작할 것입니다

이 셀을 셀 단위로 실행합니다 그래서 제가 사용하려고하는 것은 Colab입니다 이 편리한 스 니펫 도구가 있습니다 그래서 저는이 노트북에 대한 두 조각을 저장했습니다 내가 여기서 내려올거야

그래서 첫 번째 것은 어쨌든 이것을 실행할 것입니다 런타임을 재설정해야했고 이제는 연결되었습니다 그래서 우리의 첫 번째 셀은 가져 오는 것입니다 우리가 사용할 모든 라이브러리 우리는 TensorFlow, Pandas, NumPy, 몇 가지 Scikit 학습 유틸리티 함수, Keras를 사용하여 모델을 구축했습니다

그래서 우리는 모든 수입품을 가지고 있습니다 실제로 저를 조금 더 크게 만들자 그래서 당신은 모두 볼 수 있습니다 다음으로 우리가하고 싶은 일은 인증입니다 자 간다

따라서 Colab에는 편리한 인증 기능이 있습니다 우리가 달릴 수있는 곳 그러면 URL이 팝업됩니다 클라우드 계정에 인증 할 수 있습니다 따라서 액세스를 허용하고이 코드를 복사 한 다음 붙여 넣습니다

이제 인증을 받았습니다 그리고 지금, 우리는 재미있는 것들을 얻을 것입니다 먼저 CSV를 다운로드하고 싶습니다 이제 인증을 받았으므로 이 모든 데이터를 Google Cloud Storage의 CSV에 저장했습니다 이것이 Google Cloud Platform의 객체 저장 도구입니다

그래서 CSV를 내 Colab 인스턴스에 다운로드 할 것입니다 그리고 나서 내가 할 일은 내가 이 CSV를 읽기 위해 팬더를 사용하려고합니다 그럼 여기서 읽어 보도록하겠습니다 그리고 이것은 우리의 데이터를 팬더 데이터 프레임 (Pandas Dataframe)이라고 불리는이 프레임 워크는 잠시 후에 볼 수 있습니다 우리가 할 다음 일은 우리는 데이터를 섞을 것입니다

그리고 이것은 기계 학습에서 정말로 중요한 개념입니다 귀하의 데이터가 어떤 순서로든 전에, 당신은 당신이 그것을 뒤섞 었는지 확인하기를 원합니다 그리고 Scikit-learn 셔플 기능을 사용하고 있습니다 Datahead를 통해 데이터를 미리 볼 수 있습니다

이것이 우리의 데이터가 어떻게 생겼는지입니다 우리는 쉼표로 구분 된 문자열로 태그를 가지고 있습니다 우리는 아보카도가 많은 질문 문안을 가지고 있습니다 이제, 우리는 현재의 형태로 이것을 우리 모델에 먹일 수 없습니다 그래서 우리는 인코딩을해야 할 것입니다

먼저 태그를 처리합니다 그래서 우리가하고 싶은 첫 번째 일은이 태그를 인코딩하는 것입니다 우리가 슬라이드에서 보았던 것처럼, 멀티 핫 다섯 요소 배열, 5 개의 가능한 태그가 있기 때문입니다 첫 번째 줄에서 내가 뭘하는지 나는 각 태그를 문자열 배열로 분할하고있다

그리고이 Scikit-learn 멀티 라벨을 사용하고 있습니다 이진화 함수 문자열의 모든 배열을 변환합니다 멀티 핫 어레이로 이것이 첫 번째 질문입니다 우리는 그것이 TensorFlow와 Keras에 관한 것이라는 것을 알 수 있습니다

Scikit에서 배울 수있는 참조 배열은 다음과 같습니다 우리를 위해 창조했습니다 그래서 우리의 의견은 이것이됩니다 우리는 레이블을 암호화했으며, 우리는 계속 나아갈 준비가되어 있습니다 질문에

그렇게하기 전에 데이터를 분할해야합니다 기계 학습의 또 다른 중요한 개념 기차 / 테스트 스플릿입니다 그래서 우리는 대부분의 데이터를 취합니다 우리는 모델을 훈련하는 데이 모델을 사용할 것입니다 이 경우 우리는 80 %를 할 것입니다

우리는 우리의 데이터 중 적은 부분을 우리가 할 수 있도록 테스트에 사용 결코 우리 모델이 어떻게 데이터를 처리하는지보십시오 전에 본 이 경우, 우리는 우리의 훈련 세트에 15 만 질문을 가지고 있습니다 우리의 테스트 세트에서는 37,000입니다 이제 레이블을 교육 및 테스트 세트로 분리 할 것입니다

테스트 태그와 인코딩 된 태그가 같다고 가정 해 보겠습니다 우리가 그걸 실행할거야 그래서 우리는 준비가되어있는 라벨을 준비했습니다 그리고 우리가하고 싶은 다음 일은 – 우리의 라벨 데이터는 바로 사용할 준비가되었습니다 이제 질문 데이터를 인코딩해야합니다

단어 행렬의 가방에 넣는다 그래서 저는 이것을하기 위해 수업을 작성했습니다 그걸 여기에 붙여 넣을거야 많이 진행되는 것처럼 보이지만 설명하겠습니다 여기서 일어나는 일은 우리가이 Keras를 사용하고 있다는 것입니다

Tokenizer 유틸리티 운 좋게도, 우리는 모든 코드를 할 필요가 없습니다 우리의 자유형 텍스트를 손으로 단어의 가방으로 변환하는 것 Keras는 우리를 위해이 유틸리티를 제공합니다 우리가하는 일은 우리의 어휘 크기에 합격하는 것입니다

그래서 내가 전에 보여 줬던 아주 간단한 예제에서, 우리는 어휘 크기가 10이었습니다 그러면 데이터 세트에서 상위 10 개 단어가 표시됩니다 이 데이터 세트가 훨씬 크기 때문에, 400의 vocab 크기를 선택했습니다 그래서 뭔가를 선택하고 싶습니다 너무 작아서 일반적인 단어 만 식별합니다

모든 질문에 대해 하지만 너는 또한 선택하기를 원하지 않는다 너의 단어 가방이 너무 커서 배열은 모두 1이됩니다 그래서 우리는 이것을 실행할 것입니다 그리고 이제 우리는 실제로 그 클래스를 사용할 것입니다 그래서 우리는 그것을 수입 할 것이고, 우리는 우리의 질문을 갈라 놓을 것입니다

기차와 시험 세트에 그래서 그렇게하겠습니다 지금은 아직 문자열이 있습니다 아직 인코딩하지 않았습니다 다음 단계는 vocab 크기를 인스턴스화하는 것입니다

변수는 400이 될 것입니다 이제는 실제로 텍스트를 토큰 화합니다 그래서 우리는 프로세서라는 변수를 생성 할 것입니다 그 텍스트 전처리 또는 클래스를 인스턴스화하고, 우리의 vocab 크기를 전달합니다 이제는 processor

create_tokenizer를 호출 할 수 있습니다 그것을 우리 기차 질문에 전달하십시오 바로이 방법입니다 그리고 마지막으로 마지막 부분은 실제로 단어 행렬의 가방 그래서 이것은 processor

transform_text와 같을 것이고, 그 방법 바로 거기 그리고 우리는 기차 질문을 전달할 것입니다 그런 다음 테스트 세트는 동일하게됩니다 우리가 여기서 정의한 테스트 문제를 가지고 그래서 나는 그것을 실행할 것입니다 실행하는 데 약간의 시간이 걸릴 것입니다

180,000 개의 질문을 모두 바꾸고 있습니다 텍스트에서 단어 모음 실행되는 동안 다른 셀을 계속 쓸 수 있습니다 이 작업이 완료되면 실행됩니다 그래서 제가하고 싶은 것은 길이 인쇄입니다

첫 번째 인스턴스의 그것은 400이어야합니다 그리고 나서 우리는 그 단어 행렬의 봉지를 기록 할 것입니다 당신이 그것을 볼 수 있도록 그리고 이제 우리는 모델을 구축하게됩니다 실행이 끝나면 다시 돌아올 것입니다

그래서 우리가하고 싶은 다음 일은 우리가 만든 그 토크 나이저를 저장하고 있습니다 모델을 배포 할 때 필요할 것이기 때문입니다 우리는 파이썬 유틸리티를 사용하고 있습니다 Pickle은 tokenizer 오브젝트를 파일에 저장합니다 이제 우리 모델을 만들 차례입니다

우리는 데이터를 변형 시켰습니다 Tokenizer를 저장했습니다 이제 코드를 작성하려고합니다 Keras를 사용하여 우리 모델에 나는 이것을 방법으로 포장 할 것이다

우리는 create_model이라고 부를 것이고, 우리의 어휘를 취할 것입니다 크기 및 태그 수 Keras 순차 모델 API를 사용하여 그 위의 내가 수입 이것은 모델을 구축하기위한 가장 좋은 API입니다 기본적으로 모델을 정의 할 수 있기 때문에 레이어의 스택으로 따라서 우리가 작성하려고하는 코드가 그 모델 다이어그램에 정말 잘 어울릴 것입니다 내가 방금 보여준 것

그래서이 셀이 달리는 것처럼 보입니다 그래서 우리는 이것이 단어 입력의 첫번째 봉지라는 것을 알 수 있습니다 첫 번째 질문 인이 1의 배열과 같습니다 및 0이다 그럼 우리 모델을 계속 만들어 보겠습니다

따라서 우리 모델의 첫 번째 레이어는 밀도가 높고 완전히 연결된 레이어가 될 것입니다 즉, 입력 레이어의 모든 뉴런 출력 레이어의 모든 뉴런에 연결됩니다 첫 번째 레이어에 무엇을 입력 모양이 될 것입니다 이 경우, 그것은 우리의 vocab 크기의 입력이 될 것입니다 400입니다

그리고 마침내, 우리는 Keras에게 말할 필요가 있습니다 이 레이어의 출력을 계산하는 방법 Keras의 가장 큰 장점은 이 정품 인증 기능이 어떻게 작동하는지 정확하게 알 필요가 없습니다 후드 우리는 사용할 올바른 정품 인증 기능을 알아야합니다

그래서이 경우 relu가 우리가 사용하게 될 것입니다 우리는 relu 활성화와 함께 하나 이상의 숨겨진 레이어를 추가 할 것입니다 기능 여기에 입력 모양이 필요하지 않습니다 왜냐하면 입력 모양을 추론 할 것이기 때문입니다

이전 레이어에서 지금까지, 이들은 우리의 숨겨진 계층입니다 따라서 우리는 이러한 레이어의 출력에 대해별로 신경 쓰지 않습니다 그러나 우리가 신경 쓰는 것은 최종 레이어의 출력입니다 그리고 그 층은 다섯 개의 뉴런을 가질 것입니다

5 요소 배열이 될 것입니다 데이터 세트에 5 개의 태그가 있습니다 그리고 여기서 활성화 기능은 시그 모이 드가 될 것입니다 그래서 이것이 우리 모델의 모든 코드입니다 단지 4 줄의 코드로 Keras에서 모델을 정의했습니다

modelcompile을 실행하여 실제로 이 모델을 훈련하고 평가하십시오 그리고 이것을하기 위해서, 우리는 그것에게 몇 가지 것을 말할 필요가 있습니다 그래서 우리는 우리의 손실 함수를 말할 필요가 있습니다 Keras가 우리 모델의 오류를 계산하는 방법입니다

따라서 교육을받을 때마다 이 함수를 사용하여 OK, 모델이 예측 한 것의 오류는 무엇 이었습니까? 그리고 지상 진실 – 그것은 무엇을 예측 했어야 하는가? 다시 말하지만, 우리는 정확히 알 필요가 없습니다 이 특정 손실 기능이 두건에서 어떻게 작동하는지 이것은이 유형의 모델에 사용하기에 가장 적합한 모델입니다 또한 내 최적화 프로그램에 알려야합니다 최적화 도구는 모델이 데이터 세트를 거친 후 가중치를 업데이트하십시오

그리고 마지막으로, 나는 그것을 말하고 싶다 내 모델을 교육으로 평가하는 방법 여기서 정확도를 측정 항목으로 사용하려고합니다 그래서 저는 제 모델을 돌려 드리겠습니다 실제로 우리 모델을 만듭니다

create_model을 호출합니다 우리는 우리의 vocab 크기와 num 태그를 전달할 것입니다 그리고 나서이 모델을 사용할 수 있습니다 summary 메서드 우리 모델이 어떤 모습인지 레이어별로 볼 수 있습니다 그래서 우리는 그것을 실행할 수 있습니다

우리는 우리 모델을 갈 준비가되어 있습니다 우리는 아직 그것을 훈련하지 않았다 그래서 우리가 할 다음 것은 우리 모델을 훈련시킬 것입니다 그리고 우리는 하나의 메소드 호출만으로 modelfit을 호출 할 수 있습니다

우리는 그것을 두 가지로 전달합니다 우리는 단어 배열의 가방을 전달합니다 그것이 우리의 의견이며 우리의 특징입니다 우리는 그것의 레이블을 전달합니다 그것들은 우리가 인코딩 한 태그입니다

우리는 훈련을하기 위해 얼마나 많은 신기원을 가져야하는지 말해야합니다 이것이 의미하는 바는 이것이 우리 모델이 몇 번이나 전체 데이터 세트를 반복합니다 따라서 전체 데이터 세트를 세 번 처리해 보겠습니다 일괄 처리 크기는 우리 모델이 한 번에 볼 수있는 요소의 수입니다 그것이 가중치를 업데이트하기 전에

이 경우 128을 사용합니다 그런 다음 선택적 매개 변수를 전달하려고합니다 이 검증 분할은 교육 자료의 10 %를 가져 와서 평가하십시오 우리 모델은 훈련이기 때문에 그래서 우리는 훈련을 할 것이고, 꽤 빨리 훈련해야합니다

그리고 여기서 우리가 이상적으로 보는 것은 우리의 검증 우리의 훈련 손실은 감소하고 있습니다 그래서 그것은 좋은 징조입니다 우리는 검증과 훈련 손실이 줄어들고 있습니다 교육 과정에서 검증 손실이 증가하는 경우 손실은 감소하고있다 귀하의 모델이 훈련 데이터를 너무 가깝게 학습하고 있음을 나타냅니다

우리의 정확도가 96 %라는 것을 알 수 있습니다 이것은 꽤 좋습니다 그래서 다음 단계는 우리 모델을 평가하는 것입니다 그래서 우리가 따로 설정 한 질문의 20 % 우리는 이제 우리 모델이 어떻게 그 데이터에 대해 수행되는지 살펴볼 것입니다 그래서 우리는 model

evalute를 호출합니다 우리는 단어의 테스트 백, 테스트 태그, 우리는 배치 크기를 알려줍니다 우리의 평가 정확도는 우리 교육에 매우 가깝습니다 정확성은 좋은 징조입니다 그리고 나서 우리가하고 싶은 마지막 일 우리 모델을 파일로 저장하는 것입니다

Keras는 H5 파일 형식을 사용합니다 그래서 우리는 우리 모델을 살릴 것입니다 이제는 로컬에서 테스트 해 보겠습니다 그래서 우리는 내가 작성한 커스텀 예측 클래스를 가지고 있습니다 이 모든 일은 데이터를 사전 처리하는 것입니다

그러면 파일에서 SavedModel을 인스턴스화합니다 Tokenizer를 인스턴스화합니다 질문은 텍스트로, 변형 시키거나, 그런 다음 시그 모이 드 확률 배열을 예측합니다 그럼 예측할 몇 가지 질문을 저장해 봅시다 이것은 단지 두 가지 샘플 질문의 배열입니다

그리고 나서 우리는 우리 지역 모델에 대한 예측을 할 것입니다 그래서 이것은 돌아와야합니다 시원한 첫 번째 질문에 대해서는 Keras는 정확합니다 두 번째 사람은 팬더를 예측했다

그래서 우리 모델은 로컬에서 작동합니다 정확도는 96 %입니다 다음으로해야 할 일은 패키지로 만들고 배포하는 것입니다 AI 플랫폼에 그래서 이것을하기위한 코드를 작성했습니다

우리가 가지고있는 기능 중 하나 Cloud AI 플랫폼의 새로운 기능을 활용할 것입니다 맞춤 코드입니다 예측 시간에 실행되는 사용자 정의 서버 측 Python 코드 이제는 매우 유용합니다 우리 고객을 매우 간단하게 유지합시다

그래서 우리 고객은 텍스트를 우리 모델에 전달할 것입니다 우리는 클라이언트에서 어떤 변환 작업도하고 싶지 않습니다 텍스트를 모델에 전달합니다 그리고 서버에서 우리는 그 텍스트를 변형 할 것입니다 단어를 담은 다음 올바른 태그를 반환합니다

이렇게하려면 일부 파일을 Google Cloud로 복사해야합니다 Cloud AI 플랫폼에서 찾을 수 있도록 스토리지 우리 모델과 토크 나이저 Google Cloud CLI G를 사용합니다 내 현재 프로젝트를 설정 한 클라우드 이 데모 용으로 구성되었습니다 마지막으로 AI 플랫폼에 배포하고 싶습니다

여기에 우리가 실행할 배포 명령이 있습니다 최소 노드를 1로 설정하여 모델을 모델링합니다 0으로 스케일되지 않습니다 그리고 io19라는 새로운 버전을 만들 예정입니다 그리고 우리는 그것을 배치 할 것입니다

실행하려면 몇 분이 걸릴 것입니다 그러나 클라우드 AI 플랫폼 모델 UI에서 여기를 살펴보면, 우리는 내 모델이 배포되고 있음을 볼 수 있습니다 그것은 꽤 시원하다 배포하는 동안 슬라이드로 돌아가 봅시다 그래서 우리는 꽤 잘 보이는 것을 만들었습니다

우리는 데이터를 사전 처리하기위한 코드를 작성했습니다 우리는 꽤 높은 정확도로 모델을 훈련 시켰습니다 하지만 우리가 잘 할 수 있을까요? 바로 지금, 우리 모델은 꽤 많은 블랙 박스입니다 우리는 예측이 어떻게 이루어지는 지 알지 못합니다 우리는 예측이 정확하다는 것을 알고 있습니다

그러나 우리는 그 결론을 내리는 것이 무엇인지 알지 못합니다 따라서 Sundar가 기조 연설에서 언급 한 것처럼, 우리는 우리 모델이 데이터를 사용하고 있는지 확인하려고합니다 그런 식으로 예측을 내린다 모든 모델 사용자에게 공평합니다 그렇게하려면 블랙 박스를 찾아야합니다

그리고 모델 제작자로서 우리는 우리가 생성 한 예측을 책임지고 있음 우리 모델에 의해 이것은 분명히 들릴지 모르겠지만 우리는 확신을함으로써 편견을 피하기위한 조치를 취할 필요가있다 우리의 훈련 데이터가 대표적이라는 것 우리 모델을 사용하고있는 사람들의 운 좋게도이 작업을 수행하는 데 도움이되는 유용한 도구가 많이 있습니다 SHAP이라는 하나의 오픈 소스 도구를 살펴볼 것입니다 그리고 SHAP이 우리에게 할 일은 출력을 해석하는 것입니다

어떤 기계 학습 모델의 그래서 우리는 여기 tfkeras 모델을 위해 이것을 사용할 것이고, 그러나 우리는 어떤 유형의 모델을 위해 그것을 사용할 수 있습니다 셰이프 작동 방식은 우리 모델에서 전달하는, 설명자 객체 라 불리는 것 그리고 우리의 훈련 데이터의 일부분 그런 다음 SHAP은 이러한 속성 값을 반환합니다

따라서 기여도 값은 무엇입니까? 양수 및 음수 값은 특정 기능에 얼마나 많은 영향을 주 었는지 우리 모델의 예측 그래서 우리는 세 가지 특징을 가진 모델을 가지고 있다고 가정 해 봅시다 3 요소의 속성 값 배열을 되 찾을 수 있습니다 높은 양수 값은 특정 기능 우리의 예측을 밀어 올렸다 음수 값은 예측치가 낮아질 수 있음을 의미합니다

글쎄,이 단어 모델의 가방을 어떻게 작동합니까? 그래서 SHAP을 구성한 것은 나는 400 개의 요소 어휘를 다뤄야했다 400 개의 기능으로 배열 그래서 400 가지 귀속 점수를 얻었습니다 우리는 그 중에서 가장 높은 가치를 취할 수 있습니다 어떤 단어가 우리 모델에 가장 큰 영향을 주 었는지 확인하십시오

그래서 저는 이것을하기 위해 약간의 코드를 작성했습니다 색상이 잘 보이는지 모르겠습니다 그러나 이것이 무엇인지는 내가 상위 5 위를 차지했다 가장 낮은 기여 점수가 우리 모델이 예측을 위해 사용했던 단어를 볼 수있었습니다 그래서이 특별한 질문은 판다에 관한 것입니다

그리고 그것은 단어 컬럼, 데이터 프레임, df, 시리즈, 그것은 좋은 단어입니다 팬더에만 해당됩니다 가장 적은 공헌을 한 단어는 각자, 그리고 너는 상당히 일반적이다 스택 오버플로 질문에서 찾을 수있는 단어 따라서 이것이 우리 모델이 올바르게 작동하는 좋은 징후입니다

이제 데모로 돌아가 SHAP을 살펴 보겠습니다 따라서 우리 모델은 배포가 완료된 것처럼 보입니다 계속 진행하여 기본 버전으로 설정하겠습니다 그리고 SHAP에 들어가기 전에 우리는 몇 가지 예측을 생성 할 것입니다 우리의 배치 된 모델에

그래서 몇 가지 테스트 예측으로 파일을 작성하겠습니다 이제 Google Cloud를 사용하게 될 것입니다 CLI를 사용하여 숙련 된 모델을 예측할 수 있습니다 그래서 우리는 gcloud AI 플랫폼을 예측합니다 stacko_model이라는 모델 이름을 전달합니다

그리고 우리는 텍스트 인스턴스를 전달합니다 이 파일은 방금 저장 한 predicttxt 파일입니다 그리고 우리는 그것을 실행할 것입니다 이제 우리는 배포 된 모델 예측을 인쇄 할 것입니다

그래서 그것은 좋아 보인다 우리는 AI 플랫폼에 배치 된 모델을 호출하고 있습니다 Keras를 성공적으로 예측했습니다 첫 번째 질문은 팬더이고 두 번째 질문은 팬다 이제 SHAP을 사용하여 모델을 설명합시다

따라서 SHAP은 Colab에 사전 설치되어 있지 않습니다 그래서 우리는 PIP를 통해 그것을 설치할 것입니다 그리고이 모듈을 설치합니다 다른 단어를 색칠하는 데 사용되는 Colored라는 텍스트의 일단 설치가 완료되면 SHAP를 가져오고, 우리는 설명자를 만들 수 있습니다 그래서 우리는 깊은 설명자를 창조 할 것입니다

SHAP에는 많은 다른 유형의 설명자가 있습니다 우리는 깊은 설명자를 사용할 것입니다 우리는 그것을 우리의 훈련 데이터의 부분 집합으로 전달할 것입니다 그런 다음 저작자 표시 값 배열을 만듭니다 그래서 우리는 explainer

shap_values를 호출 할 수 있습니다 그리고 테스트 데이터의 일부를 전달합니다 이 경우 처음 25 개를 가져옵니다 테스트 세트의 예제 따라서 우리는 귀속 값을 얻었습니다

다음으로하고 싶은 것은 좋은 방법으로 인쇄하는 것입니다 먼저, 그렇게하기 위해 우리는 Keras에서 만든 토크 나이저를 가져 오려면 사전이고, 배열로 변환 할 것입니다 SHAP에서 속성 값을 가져올 수 있습니다 그것들이 어느 단어에 해당하는지 보아라 따라서 우리는 토크 나이저를 단어 목록으로 변환 할 것입니다

그리고 여기에서 우리는 가장 자주 발생하는 가장 높은 단어를 볼 수 있습니다 우리의 모델 어휘가 사용하고 있습니다 그리고 우리가하고 싶은 첫 번째 일 우리가 SHAP에서 가지고있는 방법 인 요약 플롯을 출력한다 그 단어들의 요약을보기 위해 우리 모델의 예측에 가장 큰 영향을줍니다 SHAP 값을 전달합니다

또한 기능 이름을 전달해야합니다 방금 만든 단어 목록입니다 우리의 클래스 이름들과 함께 태그 인코더로 그래서 내가 올바르게 작성한다면, 우리는이 멋진 줄거리를 얻어야합니다 이리

그리고 이것이 우리에게 말하는 것은 가장 큰 어휘들입니다 우리 모델이보고있는 것입니다 그래서 dataframe이 단어 인 것처럼 보입니다 우리 모델이 예측을 위해 가장 많이 사용했던 것, 아마 가장 팬더가 있었기 때문에 아마 우리 모델의 질문 데이터 프레임이 팬더에게 가장 큰 영향을 미쳤습니다 그것은 또한 다른 도서관을위한 신호 어 였을 것입니다

부정적인 신호 단어 그리고 여기서 우리는 영향력있는 다른 단어들을 볼 수 있습니다 Matplotlib 예측에서 음모가 가장 중요했습니다 그건 맞는 말이야 그리고 우리는이 모든 다른 단어들을 목록에서 볼 수 있습니다

그래서 우리에게 좋은 결과를줍니다 우리 모델이 예측을 내리는 방식에 대한 견해 이 특정 데이터 세트 그리고 지금, 우리가 개별 단어를 강조하고 싶다면, 나는 우리가 볼 수 있도록 그렇게하기위한 코드를 작성했다 특정 질문, 어떤 단어 신호 예측입니다 여기 팬더 (Pandas) 질문의 예가 ​​있습니다

단어 열, 많은 팬더 데이터 프레임 값이없는 열이 있습니다 그런 다음 사용과 같은 일반적인 단어를 봅니다 우리 모델에 의해 사용되지 않습니다 예측을하기 TensorFlow를 위해 우리는 그것을 찾았습니다

session, sesh, ops, tensor와 같은 단어들 다음은 Keras 예제입니다 가장 일반적인 단어 인 것 같습니다 LSTM, 레이어, 밀도 등 이제 우리는 우리가 어떻게 사용할 수 있는지를 알 수 있습니다

SHAP을 사용하여 모델이 올바르게 작동하는지 확인하십시오 공정성의 예에서 이것을 사용할 수있는 한 가지 방법 감정적 인 분석을하는 모델을 가지고 있다면, 올바른 특성을 사용하는지 확인하고 싶습니다 텍스트 유형에 관계없이 긍정적 인 것과 부정적인 것을 예측할 수 있습니다 당신이 사용하고 있습니다 그래서 우리가 할 수 있다면, 슬라이드로 돌아가

포장하려면이 모든 것을 함께 넣을 것입니다 웹 응용 프로그램에서 우리 모델의 예측을 얻을 수 있습니다 우리가 할 수 있다면 정말 유용 할거야 우리가 Stack Overflow 질문을 타이프하고있을 때, 태그가 연결되어 있는지 확인하십시오 제 팀원 인 Jennifer Person의 도움으로 당신은 트위터에서 그녀를 따라야합니다 – Chrome 확장 프로그램을 만들었습니다

Chrome 확장 프로그램의 기능 Stack Overflow 질문의 HTML을 취하는 것입니까? 그것을 클라우드 기능으로 전달합니다 Cloud Functions Python 런타임을 사용하여 작성했습니다 이 함수는 AI 플랫폼 API를 사용하여 우리 모델에 대한 예측 그리고 나서 우리의 기능에서 우리는 돌아올 것입니다 신뢰할 수있는 태그의 이름 만 Chrome 확장 프로그램으로 돌아갑니다

그럼 행동에서 보자 우 데모로 돌아 가자 자 간다 그래서 여기에 판다 스의 Matplotlib에 대한 예제가 있습니다

방금 Chrome 확장 프로그램을 로컬에로드했습니다 지금은 작동하지 않는 것 같습니다 잠깐 만요 라이브 데모, 당신은 모릅니다 다시 한 번 사용해 보도록하겠습니다

뭔가가 일어나고있어 질문 초안을 시험해 보겠습니다 운좋게도 작동하지 않지만 운좋게도 비디오가 있습니다 그것이하기로되어 있었던 것의 안에서 미안해, 모두들

항상 백업을하십시오 그래서 이것이해야 할 일입니다 라이브 데모, 당신은 모릅니다 그래서 그것은 판다 스에서 Matplotlib을 예측하기로되어 있습니다 이 질문에

그런 다음 코드를 기반으로 초안을 작성했습니다 나는 그것을 썼다 그리고 그것은 그 것에 대한 Keras를 예측했습니다 데모가 작동하지 않아 죄송합니다 한번 더 해보 죠

작동하지 않는 것 같습니다 어쨌든 데모가해야 할 일입니다 가능한 경우 슬라이드로 돌아가십시오 그래서 저는 오늘날 많은 다른 도구들을 다루었습니다 나는 우리가 만든 모든 것을 요약하고 싶었다

맞춤 텍스트 분류 모델을 만들었습니다 tfkeras를 사용합니다 Cloud AI 플랫폼에 모델을 배포했습니다 나는 또한 내가 가질 수 있다고 언급해야한다

커스텀 코드를 사용하여 AI 플랫폼에 SHAP 코드 배치 특색 하지만이 경우에는 간단하게 유지하기로했습니다 그 부분을 별도로하십시오 모델 출력에 대해 우리 모델이 그 길에서 행동하고 있는지 확인하기 위해 SHAP하세요 우리가 기대했던 것

그리고 우리는 클라우드 기능이있는 인공 지능 플랫폼이라고 불립니다 당신은해야 할 일에 대한 비디오를 보았습니다 이것들은 내가 오늘 보여준 모든 코드에 대한 링크입니다 그리고 모든 다른 제품들 첫 번째 링크는 GitHub 저장소로 이동합니다

내가 보여준 모든 것에 대한 코드가 있습니다 다른 링크는 내가 다룬 다양한 제품에 대한 링크입니다 그리고 마지막으로 우리는 모델 해석 가능성 지원을 위해 노력하고 있습니다 Cloud AI 플랫폼에서 그래서 유스 케이스가 있다면, 루프에 머물러 있고 그것에 대해 더 많이 듣고 싶다면, 우리는 당신에게서 소식을 듣고 싶습니다 따라서이 양식을 하단의 Bit

ly 링크에 기입하십시오 마지막으로이 대화에 대한 의견을 남겨주세요 I / O 응용 프로그램에서 나는 다음 번에 그 이야기를 더 잘하기 위해 많이 사용한다 고마워, 모두들 [음악 재생]

TV Novel : Eunhui | TV소설: 은희 EP.84 [SUB : ENG,CHN / 2013.10.31]

은희 84 회 84 번째 에피소드 삼촌 나는 지난 번에 노인과 바다를 했니? – 너에게 줄께 – 좋아 엔 지 내가 직접 가져가도 상관 없다

더 나은 옆에 자격 시험에 응시 할 준비가 되셨습니까? 그 옆에있는 두 권의 책은 배우기가 더 쉬워야합니다 고마워 오늘 쉬고 있니? 나는 떠난다 혼자서 배우고 싶습니까? 주간 업무 나는 너무 늦게 시작했다 나는 할 수 있는지 모른다

그렇게 말하기에는 너무 늦지 않았습니다 다시 시작할 수 있습니다 그거야 나는 먼저 떠난다 내 동생이 책을 사 왔니? 너무 빨라요

글쎄, 헤어 살롱 손님이 너무 많아 나는 내일 거기에 가야한다 가자 가자, 가자 졸업 후에 심포니 오케스트라에 입학하려면 어떻게해야합니까? 결혼 후에 사용하지 않음 집에서만 할 수있는 숙제 형제 형제 원하는게 뭐야? 죄송합니다

쳉 자이 형제 어떻게 여기에 왔니? 엔지를보고 와서 공장에 와서 보자 엔지와 결혼 한 후 인천에 살았습니까? 음, 호텔에서 사임했습니다 오 Taige에 직접 오는 것이 너무 좋습니다 나이키는 집에 없다

서울에 머물 필요 없음 처음으로 돌아 가기 나는 형제와 술을 마시고 돌아 간다 알 겠어? 나중에 봐요 방금 나이키를 서점에서 만났습니다 – 서점 에서요? – 그녀는 자격 ​​시험을 준비하고있는 것 같습니다 왜 그녀는 호텔에서 일을 그만 두었습니까? 나는 너무 확신하지 못한다

당신은 누가 알지 모릅니다 그녀는 혼자 다시 살고 싶지 않을지도 모릅니다 呗 쳉 자이 나는 그것에 대해 이야기하고있다 엔지 아빠 같은 것이 없다면 너는 헤어질 필요가 없다 왜 갑자기 그걸 언급하셨습니까? 엔지가 여기에서 살기를 원한다

과거를 생각해 보라 이미 과거의 일이다 지금 그것의 용도는 무엇입니까? 전혀 의미가 없다 나는 Yingzhu와 약혼했다 나중에 후회할 수도있다

나는 그것을 후회하지 않는다 나는 Yingzhu와 결혼했다 엔지는 상관 없습니다 너 지금 뭘보고있어? 형제 자격 시험을 준비하고 책을 구입하고 싶습니다 잘 생각해

나는 가게에 갈 것이다 어 어떻게? 집에서 행복합니까? 글쎄, 빨리와 너 여기 있니? 엔 지 대통령의 일에 대해 들었다 너 놀랐 니? 조금 형, 대통령에게 말하지 마, 아빠의 사업

그녀는 그녀가 명중 될 것이라는 점을 알고있다 나는 그것을 안다 현재 30 %의 가격 인상은 무엇입니까? 나는 물론 행복하다 호텔에는 이익이 없을 수도 있습니다 좋아,하자

누나 고마워 여름로 돌아가, 정말 섹시하니? 왜 갑자기 들어 와서 노크하지 않습니까? 대통령 방에 들어가는 것은 처음이 아닙니다 뭔가 있니? 네가 서울에 가서 단가를 인상하지 않는다고 들었다 상황이 좋지 않기 때문에 원래 가격을 제공하기로 결정됩니다 정말로 호텔의 사장을 만나러 가야합니다

당신은 장래에 공급에 관심이 없다 나를 관리하지 마라 공장 관리인은 공급품에 관계없이 내가 무엇을하길 원합니까? 이제 라오 홍 (Lao Hong)과 함께 배달을 담당하게됩니다 뭐라구? Li Baishou가 배달하게 내버려 둬요? 나는 무엇을 의지합니까? 당신은 공급의 손과 발로 가득차 있습니다 그 이유는 나는 너와 아직도 바쁘다

정말로 내가 자네의 자비를 베풀어 주겠다고 생각하니? 젠장 정말로 정말 내가 배달하게 해줘 그것은 나를 부당하게 만든다 너는 일하지 않는다 하루 종일 거기에 가라 무슨 일 이니? 나는 집으로 돌아가고 싶다고 말했다

너의 놀이 공원이야? 어떻게 집으로 돌아갈 수 있습니까? Enji가 왔을 때, 나는 그것을보기 위해 되돌아 갔다 Enji는 그 호텔이 놀이 공원이라고 생각합니까? 왜 여기 오지 않는거야? 그녀는 이번에 여기에서 살 예정입니다 그녀가 호텔에서 무엇을 사임 했습니까? 이렇게 올 것이다 둘은 여전히 ​​동일하다 Jiang 장교는 갑자기 어떻게 왔습니까? 그건 그렇고,보세요 차의 회장은 내부에 있습니다

뭐라구? 안녕하세요, 대통령 님 – 앉으세요 – 오케이 나는 호텔에 매우 슬 was다 나는 너를 행복하게 보았고 나에게 인사했다 나는 네가 나를 모른 척하는 것을 기대하지 않았다 나는 장쩌민의 일상이 어려울 것이라고 생각한다

어떻게 손과 발을 움직였습니까? 나가게 될까요? 너는 아주 잘 압니다 나를 참여시킬 필요가 없다 두부의 공급에 영향을 미친다 그게 바로 그 일이면, 너 무슨 뜻이야? 네가 우리 대통령과 관련이 있다고 생각 했어 걱정되다

나는 Hen Sister와 같을 수 없다 또한 당신은 매우 바쁜 것처럼 보입니다 나는 먼저 떠나고 있습니다 들었어 최근에, Rong Ba는 조금 불공평 한 섬에 갇혀있었습니다

나는 우리가 같은 배에 있다는 것을 잊어 버리는 것이 두렵다 그 다음 나는 떠난다 엔지가 아직 괜찮아? 예, 시험 준비 중입니다 좋습니다 Cui Chang, 너 돌아가고 싶다

내가 호텔에 묵었 기 때문에 너가 있다는 것을 나는 안다 그건 중요하지 않아 다행히도, 쿠 이족 장군은 나와 함께 있었다 앞으로 인천으로 자주 돌아갈 수 있습니다 남동생이 불편할 것입니다

엔지도 당황 스러울지도 모른다 하느님 배달에 가게 놔뒀습니까? 예 조금 너무 이모는 동의하지 않아야합니다 그건 말할 수 없다 간단히 말해서, 자동차의 성은 실제로 의도하지 않은 것입니다 공장을 갖췄다

끔찍한 무엇입니까? 그냥 마음을 꾸미고 우리를 몰아 내세요 너는 말했다 나는 Enji를 보러 가야 하나? 왜 갑자기 엔지를 보러 간다 구요? Chengzai 및 Yingzhu 결혼 취소 또한 그의 오만함을 제거 할 수있다 나는 Enji에게 내가 너를 잊지 않았다고 말했다 나는 그녀를 이렇게 흔들고 있니? 여자의 마음은 갈대를 이해하지 못합니까? 나는 그것을 알아 내었다

우리는 멀어 질 것이다 아기의 몫을 봐라 너는 참 아야한다 정말로 아빠는 정말 힘들어 주의를 기울이십시오

배꼽에있는 아이가들을 것이다 죄송합니다 죄송합니다 아기 아빠가 잘못되었습니다 방금 말한 더러운 말을 듣지 못했습니다

알 겠어? 정말로 왜 엔지가 호텔에서 사임했는지 알아? 명확하지 않음 호텔 부통령이 미국에 갔기 때문입니다 그것과의 관계는 무엇입니까? 모르겠어? Enji의 누이는 호텔 부사장을 좋아했습니다 나는 부통령과 함께 발전하고 싶었지만 실패했다 게다가 대통령은 그것은 당신이해야하는 것이 아닙니다 나는 그것에 대해 걱정할 필요가 없다

Enji가 돌아 왔을 때 너무 민감하지 마십시오 왜 내가 엔지에게 위대한 돌아 왔는가? 나는 내 동생 약혼녀 야 당신은 그렇게 생각할 수 있습니다 형님은 사업에 대해 걱정할 필요가 없습니다 아니, 아니

좋습니다 나는 또한 엔지와 만나고 싶다 형제 님, 당신은 중간에 그것을 알아야만합니다 누나, 너를 봐 바로 엔지의 장인 정신은 아주 좋습니다

당신이 그것을 착용하지 않으면 어떻게 알 수 있습니까? 알고 있기 위해 그것을 착용해야합니까? 다른 옷도 당신에게 더 많이 줄 것입니다 결혼 전의 옷은 전에는 입을 수 없었습니다 그레이트 너무 많은 옷을 바꾸 었다고 말하지 마세요 그리고 페니도 들지 않습니다 나는 내 자신의 주도권을 만들었습니다

물론, 돈을 가지고가는 그런 일이 있습니다 기다려 또 100 원 줘 이 주름은 시간이 많이 걸린다 이것은 재단사 상점의 두 배 가격을 얻을 것입니다

그건 중요하지 않아 정장 가게를 열어 주시겠습니까? 와서 팔아요 스프 쌀을 잘 팔아라 거의 끝났지 만 이모가 구해졌습니다 그것은 누군가가 할 수있는 것이 아닙니다

너 왜 시장에 나갈 수 없어? 누군가 다른 사람을 위해 옷을 갈아 입을 재봉틀을 놨습니다 나는 네가 그 여자보다 100 배 강한 것 같아 예 나는 무엇을 시도합니까? 글쎄, 바로해라 큰 돈을 벌 때 언니를 잊을 수 없습니다 정말 예쁘다

다음 번에 그 돈 알아? 양심의 가책 정말 우스운, 사장님이 그것을주지 않았습니까? 엔지가 나를 받아 들일 수있는 방법은 무엇입니까? 그냥 돌아와 우리가 안에 있는지? 우리는 지금 매우 바쁘기 때문에 이거 뭐야? 나는 언니의 옷을 갈아 입을거야 공장에서 오랫동안 만들어졌습니다 귀찮게하지 않아? 별로 흥미롭지 않다 내게 줘, 내가 너에게 해줄거야

엄마? 그렇게하지 마라 재봉 순서가 잘못되었습니다 이 권리를하지 못함 아니요 나는 그것을 바닥에서해야만한다 그렇지 않으면 엉망이됩니다 나는 너에게 가르쳤다

엄마, 고마워요 고마워 고맙습니다 왜 갑자기 그렇게 말하는거야? 이렇게하지 않으면 배울 수 있습니다 그냥 배우는 단조로운 느낌이들 것입니다

내가 일하는 동안 나는 공부할 것이다 좋아, 너 혼자 봐 그러나 피곤하면 일할 수 없습니다 나는 알고있다 예, 저는 내일 서울에 갈 것입니다

나는 약간의 옷과 바느질을 사야한다 그럼 너는 호텔로 간다 저녁 먹으러 거기 가라 시간이 있으면 언니 누이 음 영주 어디가는거야? 무언가를하기 위해 서울에 가라 좋아, 나는 함께 학교에 갈거야

서울에서해야 할 일 동대문으로 가서 봉제 재료 구입 나는 그것을 여동생에게 바느질 할 것이다 그리고 저는 오랫동안 재봉 공장에서 일해 왔습니다 내가 고등학교 때 그랬다 몇 년이 지났어 나는 최근 졸업 콘서트 때문에 너무 바빴다

하지만 학교에 가기 위해 서울에 온 지 꽤 오래되었습니다 그러면 졸업 후 곧 결혼 할 것인가? 나만큼 자유롭게 나갈 수 없다 친척을 기다릴 필요가 없습니다 할머니 께서 말씀하신 것입니다 약혼 반지입니까? 정말 예쁘다

그렇지? 나를 놀라게하는 쳉 자 GE 은밀히 선택했다 메이 징 도대체 어떻게 된거 야? 나는 너를 만나러 왔어 나는 너에게 무서워 하루를 울어 라 또한 호텔에서 사임했다

무슨 일 이니? 나는 너무 피곤해서 사직했다 내가 그걸 믿을 것 같니? 낮과 밤을 불문하고 공장에서 열심히 일합니다 또한 나는 곧 공장에서 사임 할 예정이다 무슨 일이야? 공장 폐쇄 후 곧 닫힙니다 그게 니가하는 짓이야? 직업에 대해 알아 냈어

정말 짜증나 메이 징 인천에서 나와 함께 가게를 열고 싶니? 오픈 샵? 음, 작은 양복점을여십시오 시간이 있다면 재봉 공장처럼 옷을 만들어라 나는 너와 잘 할 수 있다고 느낀다 정말? 하지만 돈이 없어

걱정하지 마라 나는 집을 빌릴 때 돈을 벌었 다 나는 가게에서 시작하는 것에 대해 걱정할 필요가 없다 그러나 당신은 그것으로 고생해야합니까? 리앙 (Liang) 회장 밑에서 일하는 것보다 더 많은 고통을받을 수 있습니까? 어쨌든, 와라 자매를 보러 가라

그들은 당신을 만나서 매우 기뻐할 것입니다 날을 바꿔라, 나는 장소에 가야한다 그럼 너는 호텔로 간다 저녁 먹으러 거기 가라 엔 지 형제 왜 들어 와서 그 일을 그만 두지 않았 니? 대통령을 만나러 가자

Meijing이 지나가는 것을 보게 될 것은 아닙니다 들어가, 대통령은 안에 있어야 해 나는 무언가를 사야 만한다 어떻게 지금까지 갈 수 있니? 그녀가 당신을 볼 때 그녀는 행복해 할 것입니다 다음에 또 올게

내가 여기에 있었다는 것을 대통령에게 말하지 마라 엔 지 나는 바쁘다, 미안하다, 미안하다 내 남동생은 나야 네가 잘하고 있는지 알고 싶지는 않다 엔지가 호텔에 올까요? 조금만 기다려야합니다

그런 다음 다시 전화하십시오 대통령 각하, 당신이 원하는 서류입니다 Cui Chang, 오늘 일을 끝내고 서둘러 주시겠습니까? 어떤 지시 사항이 있었습니까? 아니, 오늘 엔지가 호텔에 올거야 방금 내 형제와 동생을 불러 왔습니다 엔지는 일을하고 그녀를 기다리기 위해 서울에왔다

Cui Chang, 너는 함께 저녁을 먹는다 무엇을 먹고, 한국식 식사는 어떻습니까? 대통령 엔지가 방금 전화를해서 그녀가 올 수 없다고 말했다 왜? 어쩌면 조금 바쁠지도 모른다 너가 나가고 있다는 것을 나는 안다 엔지, 나는 너무나 욕심이 많다

나는 적어도 한면을보기 위해 살려고합니다 기대할만한 것은 아무것도 없다 나의 탐욕은 끝나지 않는다 가족을 집에 데려다 봤어? 내가 미쳤 니? 그러면 형은 누구입니까? 물론, 산의 신이 있습니다 나는 내가 가족이기 때문에 그 사람을 말할 수 없기 때문에 정말로 걱정된다

이번엔 당신이 말한 것을 붙들지 마십시오 의료 사고 발생시 너 책임질거야? 나는 미쳤어 왜 내가 책임 져? 이 말을하는 것은 정말 나쁩니다 시장에서 내 목소리를들을 수 있습니다 귀는 여전히 사실이다

누가 너와 결혼하지 않을거야? 가족 나는 네가 듣기 싫어한다고 말했다 네가하고 싶은 말을 알아 나는 돈을 모으고 있지 않다 가난한 사람들을 무료로 대하면됩니다 우리의 빅 브라더는 유명한 의사입니다

네, 아빠 가난한 사람들을 돕는 것이 아주 좋습니다 순덕, 방금 뭐라고 했어? 의료 사고는 의료 사고입니까? 뭐라구? 걱정마 엔지 보셨어요? Enji? 나는 왜 그녀를 찾고 있는지 모르겠다 그거야

그럼 바쁘니? 왜 갑자기 엔지를 찾았 을까요? 이상해 너이 새 옷 입는다 어디가는거야? 인천 식품 연합회 문제가 절대로 간다고 생각하지 않습니까? 공장 이전 때문에 박 회장님, 저를 보내 주셨습니다 고객 관리를하고있을 때 보자 그것은 당신의 입에 그것을 말하는 것은 매우 행복해 보인다

나는 기꺼이 갈 생각이 없다 공장 용입니다 나는 거기에 갔다 알코올을 너무 많이 마시지 마십시오 차의 회장은 종종 미래에 참여합니다

그것은 그것과 같습니다 대통령과 더 자세히 알아보기 분위기도 아주 좋습니다 비즈니스에서 아무도 자동차의 사장보다 낫지 않습니다 처음부터 시작 이제 공장 주인이되었습니다 나는 너를 축하하기 위해 늦었지만 누가 음식 협회의 회장이 될 것입니까? 차 사장은 어때? 나? 인천 두부가 더 신뢰할만한 곳입니다

차의 대통령의 좋은 성격은 잘 알려져 있습니다 이 식사를 결정하십시오 오늘의 돈은 차 회장이 지불했습니다 좋아, 그냥해라 모두들 한 잔 마시고

차의 대통령은 정말로 유망하다 내 바지 다리를 잡고 제발, 제 두부를 주문하십시오 절망적으로 묻는 장면은 여전히 ​​생생합니다 공장의 소유주이자 사장이되고 싶다 키안 (Qian) 대통령, 뭐하고 있니? 내가 틀렸어? 공장 이름이 변경되었습니다

사람들이 변화한다는 것을 의미하지는 않습니다 그게 무슨 뜻 이죠? 네가 오래 전에 일하는 사람이라고 들었어 그저 노부인 일 뿐이야 방랑 입양아가 아니니? 세상이 아주 좋아졌습니다 창공 회장은 대통령이다

대통령은 얼마나 좋은가? 너는 그것을 듣지 않아야한다 키안 (Qian) 대통령은 오늘 술 취한 것으로 보인다 나는 취하지 않았다 그건 중요하지 않아 나는 먼저 체크 아웃에 갈 것이다

오래 된 자동차를 먹이 누가 체크 아웃 했습니까? 지주 그건 중요하지 않아 오늘 청구서를 지불하고있어 두부를 얼마만큼 팔 수 있습니까? 지주 정말 아무것도 당신이 그것을 잡고 그것을 잡아 보자 정말 아무것도 미안, 너 괜찮 니? 나를 감히 밀어 붙이세요 나는 그것을 의미하지는 않았다 냄새 나는 소년 몰라요

누구든지 대통령이 될 수 있습니까? 너 나와 함께 무엇을 할 수 있니? 원하는게 뭐야? 원하는게 뭐야? 나쁜 친구, 내 사촌이 누구인지 아십니까? 너 정말 곰 심장 표범 먹었어 감독은 아직도 오지 않는 이유는 무엇입니까? 그는 곧 거기에 올거야 잠시만 기다려주세요 키안 (Qian) 대통령 어떻게 왔니? 너 왜 먹는거야? 죄송합니다 늦게 통보 받았습니다

감독은 자기 잘못을 바꾸어야 만한다 밤에 깨어있게 해 나는 무엇 때문에 그것이 무엇인지 항상 안다 밖으로 나가고 나가고 싶니? 아니요 허락 없이는 그 사람을 풀 수 없습니까? 좋아, 내가 너를 집으로 보낼거야 나가라

오늘 문제가 생겨서는 안된다 일어나세요 뭐라구? 그가 한 말을 듣지 못했습니까? 어느 날 밤 구금 시설에서 말도 안되는 말을하지 마라 수감 센터? 안녕, 안녕 아빠 엄마가 전화를 듣게하십시오

엄마, 내가 방에서 너에게 말해 줄께 서둘러서 듣게 해줘 아빠 누가 부르죠? 엄마의 기분이 좋지 않아 여보세요 남편 즉시 경찰서에 돈을 가져 오십시오 거기서 뭐하고 있니? 나는 그것을 안다

엄마 한테 무슨 일이 있었 니? 아무것도, 엄마, 나가 남편 도대체 어떻게 된거 야? 아무것도, 나는 당신이 그것을 가져 가게했습니다 집에가, 오늘 돌아갈 수 있습니다 우리 엄마 한테 말해 나중에 다시 갈거야 내가 왜 돌아갈 수없는거야? 나는 또한 너에게 말할 것도있다

곧 돌아 가라 남편 곧 돌아 가라 Mr Che Xijiu가 들어갑니다 나를 당황하게하지 마라

힘든 하루가 걸릴 것이다 너를 위해서 이게 뭐야? 별로 먹지 않아도됩니다 너는이 사람이야 내가 죽길 바래? 나는 키안 (Qian) 대통령과 만날 ​​것이고 나는 내일 그에게 사적이 될 것이다

관대 해주세요 약간의 의견 충돌 의견 충돌이 재능으로 나뉘어져 있어도 그의 사촌이 누구인지 아십니까? 공화당 날 잊어 버려 나는 너무 당황 스럽다 구금 시설에 가면 어떨까요? 네가 잘하고 있다고 느낀다 돈으로 해결할 수 있다고 생각하십니까? 그럼 조 경찰관을 만나게 해줘

조 경찰을위한 길은 무엇입니까? 감독조차도 무서워 배가 커지고있는 것이 사실입니까? 조만간 임신을하기까지 얼마나 걸리나요? 왜 아빠는 아직도 돌아 오지 않는거야? 그는 전화를해서 마시는 것을 끝내지 않았다고 말했다 공장 소유주의 낭비일까요? 아이의 아빠가 너와 같다고 생각하니? 이모, 나는 술을 그만 두었다 너무 늦게 마시고 마시는 시간을 잠시 기다리십시오 갈 수있는 좋은 장소 여야합니다

이 얼마나 좋은 장소 남편 여자 랑 같은 곳이야 난센스를 말하지 마라 서둘러 쉬다가 피곤하다 좋은 밤 숙모 부인, 집에 가자 나는 이불을 깔았다

집에 들어 가지 않니? 너의 고급 집이야 조심해 남편 도대체 어떻게 된거 야? 엄마는 몰라요 예, 나중에 다시 올 것이라고 했어요 무슨 일이야? 경찰서에서 자니? 나는 피곤해서 쉬다

네가 잘하고 있다고 느낀다 돈으로 해결할 수 있다고 생각하십니까? 빅 브라더는 정말로 나는 아이가 아니야, 내가 뭘 할 수 있니? 이 때, 나는 장남의 빛을 만질 수 있습니다 나는이 며칠 동안 너에게 식사를 제공한다 확인 잘 알아라 어떻게 여기에 왔니? 너 나 왜 쳐다보고있어? 아직도 깨어 있니? 어제 나는 Qian 대통령을 보았다

그리고 경찰서장은 꽤 친숙합니다 솔직히 말해서,이 최근 세계 강력한 사람들은 부자보다 더 오만하다 지금은 남자 야 그 사람이 전에 말한 사람인가요? 너는 Cheng Zaicheng에게 전화한다 밤새도록 울었다

이제 한 슈지가 여기 올거야 그녀가 어머니를 만나지 못하게하십시오 절대로 외출하지 마라 너 며느리가 뭐니? 뭐라구? 사람들에게 쫓기고있는 것처럼 노인은 집에 있습니까? 그녀가 방금 갔던 성전에서가 아니라 나중에 다시 올지도 모른다

Human-Centered AI with Di Dang: GCPPodcast 176

[음악 재생] 미셀 CASBON : 안녕하세요 에피소드에 오신 것을 환영합니다

주간 Google Cloud Platform 팟 캐스트의 176 번 나는 너의 주인 인 Michelle Casbon이고 나는 동료와 여기있다 마크 미란다 다니 안녕, 마크 MARK MIRCHANDANI : 안녕, 미셸, 너 이번엔 내가 Casbin을 반대한다고 말한 것을 알고있다

Casbon에 미쉘레 카스본 : 이름의 발음이 많이 있습니다 나는 그것에 대해별로 구체적이지 않습니다 MIRCHANDANI : 좋습니다 좋습니다

나는 다른 것들을 생각해 낼거야 내가 테스트 할 수있는 것들을 봅니다 그리고 결국에는 당신은 같이 될 것입니다 아니, 카스 본이 될 필요가있어 Michelle CASBON : 그래, 내 말은 결국 당신은 내가 좋아할만한 곳을 칠거야

OK, 아니, 확실히 그렇지 않습니다 MIRCHANDANI : 현금 – MICHELLE CASBON : 그렇지 않으면 유연해질 수 있습니다 MARK MIRCHANDANI : Cashbun – 너무 많지 않습니다 미쉘 캐슬론 : 아마 그렇지 않을 수도 있습니다 MARK MIRCHANDANI : 좋습니다

이 모든 것을 단 20 초 만에 맞았다 알아 둘만 한 알아 둘만 한 미쉘 CASBON : 좋습니다 그렇다면 누가 오늘 쇼에 가니? MARK MIRCHANDANI : 그래서 오늘 우리는 Di Dang과 이야기하고 있습니다

그녀는 디자인 옹호자이며, 또한 매우 멋진 제목입니다 그리고 그녀는 Google 내부에서 일종의 출판 작업을합니다 운전 중 몇 가지 상호 작용에 대한 가이드 북 인간 중심의 인공 지능 운동 인공 지능 시스템을 구축하는 책임있는 방법 인 것처럼 네가해야 할 일이야 생각 해 보겠다

우리는 그 일에 관해 정말로, 정말 좋은 대화를 나눴습니다 이 가이드 북을 사용하는 사람들은 어떻게됩니까? 그러나 우리가 그것에 들어가기 전에 우리는 아마 금주의 멋진 일에 대해 이야기하십시오 [음악 재생] 미쉘 캐슬론 : 오, 평소처럼 일주일에 몇 가지 멋진 일이 있으십니까? MARK MIRCHANDANI : 많은, 많은 멋진 것들 미쉘 캐슬론 : 좋아, 그래서 우리의 첫 번째 멋진 일을위한 주제 오픈 소스입니다 이것은 GCP가 강력하게 믿는 것입니다

TensorFlow를 사용하면, Go, Kubernetes, 심지어 Kubeflow, 내가했던 프로젝트 관여했다 그리고 우리는 최근 몇 가지 큰 파트너십을 발표했습니다 데이터 관리를위한 선도적 인 오픈 소스 제공 업체와의 협력 및 분석 그리고 이들은 Confluent, Data Stacks, Elastic, Influx Data, MongoDB, Neo4j, Redis Labs 등이 있습니다 이제는 정말 큰 선수들의 목록입니다

오픈 소스 공간에서 그게 의미하는 것은 당신이 기대할 수 있다는 것입니다 이러한 공급자로부터 관리되는 서비스를 보는 것입니다 그게 정말 좋습니다 왜냐하면 그것이 GCP에 단단히 통합되었습니다

따라서 자신의 오픈 소스를 모두 롤업하는 대신 몇 년 동안 많은 고통을 겪었던 것처럼, 좀 더 쉬운 해결책을 기대할 수 있습니다 약간의 마찰과 적은 힘으로 직접 관리하십시오 MARK MIRCHANDANI : 네, 우리는 많은 관심을 갖고있는 사람들을 좋아합니다 우리는 이러한 많은 문제를 해결하고 싶지 않습니다 이미 해결 됐어, 그치? 마찬가지로, 오픈 소스에 의지하자

이러한 도구를 구축 한 커뮤니티, 유효성 검사를 실시한 후이를 개선하는 데 도움을 줄 수 있습니다 그리고 우리가 프로젝트를 만들 때, 실제 문제에 집중하겠습니다 우리가 풀려고하는 것 그리고 그것이 데이터베이스 이건 프레임 워크 이건간에, 또는 Kubeflow, 내가하고 싶은 일을하게하고, 그 멋진 오픈 소스를 사용하자 지역 사회가 도구 제작의 근간을 열었습니다

MICHELLE CASBON : 예, 바퀴를 재발 명하지 않겠습니다 뭔가를 만들기 전에 그냥 확인하십시오 이미 그것을하는 프로젝트가 있는지보기 위해서 모든 노력을 기울여야합니다 MARK MIRCHANDANI : 그리고 말하기 오픈 소스를 훨씬 쉽게, 우리는 그냥 구글의 개발자 옹호자 인 제임스 워드 (James Ward) 정말 멋진 버튼을 내밀어 라 그래서 클라우드 런은 사람들이 최근에 대해서 이야기 해왔다

그것이 다음에 발표 되었기 때문에 그리고 그것은 그것을 슈퍼, 슈퍼 용기를 쉽게 가지고, 나는 대부분의 사람들이 지금까지 사용하고 있다고 생각합니다 적어도 지금은 사용하고 싶다 클라우드 런에 던져 버려, 작동합니다 그리고 그 자체로는 마법 같은 종류입니다

하지만 지금 제임스는이 작은 단추를 넣는 것과 같습니다 당신의 GitHub 읽어보기 그리고 지금, 사람들은 그것을 단지 클릭 할 수 있습니다, 그리고 빵, 귀하의 코드가 현재 Google Cloud Run에서 누구나 실행되고 있습니다 누가 그것을 시험해보고 싶어하는지 사람들이 GitHub 레포에 가면 지금처럼

그리고 그들은 마치, 오,이게 어떻게 생겼는지 궁금해 그러나 그것을 다운로드하고, 실행하고, 빌드하고, 설정하고 수동으로 직접 배포하십시오 작은 버튼 클릭 만하면됩니다 그리고 나서, 당신은 당신의 프로젝트에서 그것을 실행하고 있습니다 그래서 나는 그것이 아주 멋지다 고 생각한다

미셀 CASBON : 그것은 굉장히 멋지다 또한 또한 멋지다 조금 무서운 우리는 반드시 무작위로 클릭하는 것을 용납하지 않습니다 GitHub repos에서 me 버튼을 실행하십시오 MARK MIRCHANDANI : 훌륭한 점입니다

내 말은, 존재에 대해 정말 멋진 것이있다 이 오픈 소스 프로젝트 중 일부를 할 수있다 당신이 그들을 테스트 할 수 있도록 그들을 가동시켜야합니다 그러나 당신은 당신이 달리고있는 것을 알고 있어야합니다 코드를 살펴보고 최소한 이해하고, 이 코드는 대부분의 코드처럼 일을 수행 할 수 있습니다

MICHELLE CASBON :하지만 그것은 오픈 소스의 아름다움입니다 그것이 열려 있고 그것을 확인할 수 있다는 것입니다 어쩌면 나중에 버튼을 클릭하기 전에 그러나 그것은 구름의 아름다움이기도합니다 적어도 뭔가를 실행하면 그것은 당신의 로컬 컴퓨터에 없습니다

MIRCHANDANI MARK : 나는 단지 일종의 회전하는이 일시적인 구름 껍질에 대해서, Google Cloud 계정을 가진 모든 사람 작은 구름 껍데기를 얻는다 네가 친절 할 수있는 좋은 작은 환경 같아 몇 가지 놀이와 함께, 또한 어디에서 Google 클라우드 도구를 사용할 수 있습니다 이 버튼을 클릭하면 회전합니다 그것의 일시적인 버전

그래서 그것은 마치 고립 된 샌드 박스와 비슷합니다 다시 제한에서 당신을 보호 코드가 가질 수있는 액세스 그리고 당신은 그것이 나타날 때, 나는 믿습니다 당신이 말하는 그 작은 팝업을 얻을 수 있습니다 이봐,이 응용 프로그램을 신뢰하고 있니, 그렇지 않니? 그래서 연구를하지 않는 것은 변명의 여지가 없습니다

나는 이것이 매우 공정한 것이라고 생각한다 그러나 동시에, 그것은 매우 멋진 방법입니다 모든 오픈 소스 라이브러리를 가져와 또는 빠른 GitHub repos 같은 당신, 오, 나는 이것을 시도하고 그 과정을 훨씬 더 쉽게 만들어야합니다 Michelle CASBON : 그래, 물건을 꺼내는 좋은 방법이야 시운전을 위해서 그래서 내가 얘기하고 싶었던 마지막 멋진 일 이번 주 IO에서 내가 좋아하는 코드 연구소 중 일부입니다

그들은 하드웨어 가속기와 관련이 있습니다 그래서 우리는 TPUs를 사용하는 방법을 안내 할 것입니다 Tensor 처리 장치입니다 Google의 자체 하드웨어 가속기 버전입니다 그들은 특별히 설계되고 지어졌습니다

Google 데이터 센터에서 가장 효율적으로 운영됩니다 생성 된 일련의 네 가지 실험실이 있습니다 우리 동료 Martin Gurner 독립적으로 또는 순차적으로 실행할 수 있습니다 그것들은 몇 가지 심화 학습을 수행하는 방법입니다

그리고 당신은 깊은 학습에 대해서 알 필요가 없습니다 마틴은 깊은 학습으로 유명합니다 PhD 시리즈없이 이러한 실험실 그것에 대한 훌륭한 소개입니다 그러나 그들은 코드 랩 노트북에서 작동하지만, 필요한 모든 하드웨어를 제공합니다 그들은 당신에게 모든 것에 대한 접근을 제공합니다

그리고 그는 당신에게 코드를 제공합니다 그래서 그는 모든 것을 설명하고, 깊은 학습을 설명합니다 개념 TPU에 액세스하는 방법을 알려줍니다 그리고 당신은 그들이 달리는 것을 볼 수 있습니다

그리고 당신은 그들이 무엇에 좋은지 알 수 있습니다 정말 좋은 예가 있습니다 따라서 깊은 학습과 TPU에 관한 학습 동시에, 일반적으로 어떤 사람들이 TPUs를 사용해야할까요? MARK MIRCHANDANI : 네, 아주 멋지다고 생각합니다 다시 말하자면, 그런 종류의 장벽은 그 장벽을 낮추는 것입니다 기계 학습을위한 항목으로 바로 지금 꽤 높습니다

매우 복잡한 것들이 많이 있습니다 그리고 나는 우리가 많은 사람들을보고 있다고 생각한다 방향을 향해 움직여서, 잘, 나는 이것을 어떻게 활용할 수 있습니까? 네가 말했듯이, 박사 학위를 받고, 접근 할 수있는 것 같아 TPU 같은 것들을 식히기 만하면됩니다 모든 것보다 훨씬 빠릅니다

MICHELLE CASBON : 맞습니다 이번 주에는 멋진 일을 위해서입니다 우리의 주요 연락처에 가서 Di에게 이야기하겠습니다 MARK MIRCHANDANI :하자 [음악 재생] Mark MANDEL : 오늘은 생각합니다

특히 흥미로운 인터뷰를 가지고, 디 당 디자인 Google에서 옹호하고, 여기에 가입하십시오 People Plus AI Guidebook에 관해서 이야기하겠습니다 좋아, 그게 내가 예상했던 것보다 더 많은 말이었다 우리가 그것을하기 전에, 그래, 디, 할 너 자신에 대해 우리에게 조금 말하고 싶니? Google에서 무엇을하십니까? DI DANG : 그래, 네가 언급 한 것처럼, 제 제목은 디자인 옹호자입니다 그리고 나는 이제 1 년이 조금 넘은 Google을 해왔습니다

내 역할이 의미하는 것, 내 North Star가 무엇인지, 그것은 내가 지역 사회에 나가는 것을 의미합니다 다른 제 3 자 파트너와 함께 새로운 신흥 시장에서 일합니다 VRAR, 기계 학습과 같은 기술 AI, 대화 음성 UI, 기술의 종류 그들은 그들의 고유 한 사용자 문제를 해결하려고합니다 그리고 나는 그들의 틈 또는 고통 점을 다리를 짓는 것을 돕는다 이 새로운 기술에서 일할 때

모범 사례 또는 디자인 패턴 순수한 웹이라고 말하는 것보다 설립이 덜 수 있습니다 그리고 비교하여 모바일 MARK MIRCHANDANI : 이러한 정책은 Google과 협력하는 데 적용됩니다 그것들은 어떤 작업에 적용되는 정책입니다 맞습니까? 당신이 방금 말한 것처럼, 웹, 모바일, 인공 지능, VR, 모든 것들, Google에서 설정하지 않은 지침입니다

그들은 세계에 의해 설정됩니다 DI DANG : 네, 그들은 세계에 의해 정해졌습니다 나는 그들이 우리가 알아 내고 배우는 것들이라고 말하고 싶습니다 우리가 함께 할 때 내 일의 일부이기 때문에 올 때입니다

신흥 시장을위한 디자인 옹호 지원 기술, 다른 제품과 긴밀하게 작업하는 것을 의미합니다 지역 팀 나를위한 핵심 열쇠 중 하나는 밀접하게 작업하는 것입니다 PAIR은 People plus AI Research의 약자입니다 2 년 전쯤에 있었던 팀입니다

지금, 십자가 징계 역할로 구성된, 모두 사실 Google을 통해 연구 과학자, 엔지니어, 디자이너, UXers 등, 누구나 도구와 콘텐츠를 만드는 데 전념하는 인간 중심의 인공 지능을 만드십시오 유익하고, 윤리적이며, 공평하며, 우리를 위해 사람들을 포함해서 MARK MANDEL : 너는 거기에서 네 단어를 말했다 아마도 거기에 흥미로운 것들이 많이있을 것이라고 생각합니다 인간 중심의 인공 지능

DI DANG : 예 Mark MANDEL : 저게 뭐지? DI DANG : 큰 질문입니다 좀 쉬어 보자 첫 번째 질문 인 인공 지능 그래서 인공 지능은 기술의 수퍼 셋입니다 기계 학습을 포함합니다

내가 인간 중심의 인공 지능을 말할 때, 그것은 우리는 어떻게 우리의 역할을 인식하고 있습니까? AI 시스템을 제작할 때 제품 제작자로서, 또는 인공 지능 구동 제품, 심지어는 기계 학습에 대한 작업 그것의 진실은 우리는 디자이너와 개발자로서, 고의 또는 의도하지 않은 영향 기계 학습의 모든 단계를 통해, 그것이 교육 자료의 종류인지 여부 우리가 수집하고 라벨을 붙이는 것, 실제로 우리가 만드는 방법, 훈련 및 평가, 기계 학습 모델 평가, 궁극적으로 산출 및 예측의 종류 이 모델에서 나온 것입니다 우리는 사람들로서 그러한 예측에 의해 영향을받습니다 그 결과 인간 중심의 AI는 어떻게 우리가 우리가 AI의 기술에 중점을 두었습니다

하지만 우리는 주변에 질문을하고 있습니다 하루의 끝에 사람들에게 어떻게 영향을 주는지 MARK MIRCHANDANI : 네, 우리가 생각하기에 최근에 조금 오르는 모습을 보았습니다 데이터 편향의 더 큰 이해 그리고 이것은 – 분명히, 당신이 훈련 할 때 어떤 형태의 기계 학습 또는 AI, 또는 그것이 무엇이든, 그것은 당신이 그것을주는 데이터에 기반합니다

많은 사람들이 지금 시작하고 있다고 생각합니다 데이터 편향 현상에 대해 조금 더 이해해야합니다 종류의 왜곡이 얼마나 쉬운 지 인공 지능 시스템이 생성하는 것입니다 미쉘 캐슬론 : 그래, 오, 그래, 절대적으로 그래서 우리가 가이드 북에서 이야기하는 것들 중 하나 나중에 UI를보고 있습니다

따라서 평가자는 개인이있는 팀을 지칭합니다 누가 종종 훈련 데이터의 라벨링을하고 있는가? 스스로를 설정합니다 우리가 말할 때 간단한 말을하는 것이 좋아요 말하자면 이미지 세트에 라벨을 붙이는 것입니다 달리기 신발이 아니라, 그 의미는 무엇입니까? 그게 무슨 뜻인지 주위에? 예를 들어, 우리가 그들을 보여 주면 운동화를 포함하는 데이터 세트, 하이힐, 스 틸트, 팬시 스 니커 등, 그에 따라 라벨이 붙은 것은 무엇인가? 그리고 그들은 무엇을하지 않습니다

그것은 일종의 낮은 이해 관계의 예입니다 내가 더 높은 이해 관계의 예를 말한다면, 이미지 여기서 여성으로 식별하는 라벨의 데이터 세트, 또는 여성은 무엇입니까 그것이 실제로 복잡 해지는 곳입니다 데이터 편향과 자신의 문화적 함의를 둘러싼 이 평가자들이 그 임무를 수행 할 수도 있습니다 왜냐하면, 예를 들어, 그 사진에 RuPaul과 같은 이미지가 있습니다

드래그 여왕 또는 조나단 반 네스, 퀴어 아이 (Queer Eye)에서 남성, 더 이상 남녀 차림의 옷을 입을 수도 있습니다 비 – 바이너리 방식, 당신이 그 이미지 세트를 얻는다면 다른 나라에있는 사람에게 다른 문화, 어떤 종류의 의미 그들은 그걸 가져올거야? 그러면 결과가 왜곡 될 수 있습니다 당신이 이미지 분류자를 가지고 있다면, 결국 당신은 그것을 가지고 있습니다 어떤 이유로 든 남성과 여성을 모델로합니다 MARK MANDEL : 그리고 한마디로 큰 소리로 외쳐라

뿐만 아니라, 팟 캐스트의 에피소드 114, 우리는 편견과 공정성 에피소드를 배우는 기계를 만들었지 만, 우리는이 부분을 더 많이 파고 들었습니다 우리가 지금 당장 그것에 관해서는 안된다고 말하는 것은 아닙니다 MIRCHANDANI MARKING : 그것에 대해 이야기하기에 하나의 지점이긴하지만 지금 당신은 두 번 가이드 북을 언급합니다 DI DANG : 예 어쩌면 그걸로 시작 했어야했는데 주된 이유 중 하나입니다

MIRCHANDANI MARK : 이야기하는 것이 재미 있다고 생각합니다 깊은 것들에 대해서는,하지만 가이드 북, 그것은 무엇을합니까? DI DANG : 맞아 맞아 그래서 People Plus AI Guidebook, I / O에서이를 공개 할 것입니다 나는 짐작하고있다

그때까지는 살아있을 것입니다 그러나 우리는 I / O에서 시작할 것입니다 그리고 이것은 노력입니다 Google 전반의 팀이 개발 중입니다 지난 한 해 동안 주로 PAIR이 주도하여, 다시 People Plus AI 연구팀

그리고 근본적으로, 그것은이 질문에서 나왔습니다 다른 제품 팀이 씨름하고 있었기 때문에 디자인에 대한 모범 사례는 무엇입니까? 인공 지능으로, 어떤 디자인 패턴이 작동합니까, 작동하지 않습니까? 사용자와의 신뢰를 어떻게 구축합니까? 신뢰 구간의 중요성을 어떻게 전달합니까? 그리고 사용자가 그것에 대해 어떻게 행동해야 하는가, 그렇지 않으면 어떻게 행동해야 하는가? 이 모든 다른 질문들 구글에서 AI 제품을 만들려고했다 종류는 뒤로 물러 났고, 생각했다 글쎄, 왜지도 또는 최상의 세트에서 합성하지 우리가 모든 사람과 공유 할 수있는 관행, 다시, 우리의 이전 지점으로 돌아 간다 이러한 초기 기술을 둘러싼 패턴 또는 모범 사례 아직 개발 중이다

이 리소스를 어떻게 공유하고 피드백을 얻을 수 있습니까? 세계의 모든 사람들, 누가 이 같은 문제로 씨름하고, 결국 더 건강하고, 더 유익하고, 디자인 원칙의 포괄적 인 집합 MARK MANDEL : 그래서 당신은 그것을 해결했습니다 너 해결 했어, 괜찮 니? MARK MIRCHANDANI : 일단 출판됩니다 MARK MANDEL : 이제 끝났습니다 아니오 [INAUDIBLE] DI DANG : 나는 소망한다

계속 진행중인 작업입니다 이것이 바로 왜 – 그게 내가 여기 온 이유야 내가 매우 강하게 믿는 프로젝트이기 때문에, 하지만 우리가 그걸로 풀어주는 건 아니야 그 끝 내가 작업하고있는 것 중 하나 디자인 옹호자로서 우리는 어떻게 할 수 있는가? 열린 커뮤니케이션 채널을 유지하라

개발중인 PAIR 팀과 이 콘텐츠와 나머지 세계? 그리고 모범 사례 또는 패턴 특정 문화권에서만 현지화해야 할 수도 있습니다 우리가보고있는 구체적인 요구 사항이 있습니까? 다른 지역 사회에서? 또는 건강 관리, fintech, 또는 어떤 지침이든? 그게 왜 – 내가 여기있는 큰 이유 야 이 훌륭한 자원에 관한 뉴스를 공유하는 것만이 아닙니다 개발자 및 제품 제작자는 인공 지능으로 구동되는 제품을 만드는 데 있습니다 밖에서 모두들로부터 소식을 듣고, 가이드 북에 대한 유용한 정보, 그렇지 않은 정보, 누락 된 부분, 부정확 한 부분, 어떻게하면 더 나은 서비스를 제공 할 수 있을까요? MARK MIRCHANDANI : 그렇다면 누가 주요 타겟층입니까? 당신이 이상적인 사람을 골라야한다면, 그리고 네가 이걸 읽었 으면 좋겠어

그 사람들은 누구입니까? DI DANG : 타겟 잠재 고객이 AI 기반 제품으로 작업하는 것을 고려중인 사람 그 위에 더 세밀한 포인트를 달기 위해, 가이드 북 매우 접근 할 수 있도록 작성되었습니다 그것은 진입 장벽이 낮습니다 주로 UXers 및 제품 관리자 용으로 작성되었으며, 그 진리가 있기 때문에, 많은 자원이 없다 외부에서 AI가 제품 결정을 이끌어 내었습니다

및 PM 당신은 TensorFlow와 같은 많은 훌륭한 것들을 가지고 있습니다 Google의 MLC가 있습니다 그러나 그것들은 더 많은 엔진 개발자에게 집중되어 있습니다 그래서 우리는 우리가 모두가 사용할 수있는 다양한 자원, 교차 기능 제품 팀이 함께 이러한 질문에 답변하는 데 도움이됩니다

가이드 북에 대해 생각하는 또 다른 방법 기계 학습의 충돌 과정이 아니라는 것입니다 어떤 방법 으로든 기술적 인 의도는 아닙니다 하지만 결정을 내리는 데 도움이됩니다 AI 구동 제품을 중심으로 마크 맹 (Mark MANDEL) : 내가 틀렸다면 나를 바로 잡아라 당신이 이것을하기 전에 거의 들리지만, 네가 기술적 인 것이 아니라면 아마 무슨 일이 일어나고 있는지를 이해하기가 매우 어렵고 위험합니다

제품을 만드는 사람들이있는 것처럼, 기술이 어떻게 작동하는지 실제로 이해하지 못하는 사람, 자원이 존재하지 않기 때문입니다 마찬가지로, 일이 잘못 될 수도 있습니다 DI DANG : 그래, 오, 그래, 절대적으로 그리고 많은 것은 기계 학습 분야이기도합니다 ~있다

지금 수십 년 동안 주변에있어 왔습니다 그리고 지난 10 년 동안 개발자에 의해 끊임없이 발전되어 왔으며, 엔지니어링에 중점을 둔 사람들이 데이터 과학자 등 그리고 최근에는 제품 관리자, UXers, 디자이너들은 우리가 필요로하는 것을 깨닫고있다 이러한 대화의 일부이기도하다 우리가 제품에 대한 결정을 내릴 수 있도록 사용자를 위해 팀으로 결국, 당신은 다기능 팀을 가지고 있습니다

그것은 PM, 엔진 디자이너, 다른 응용 프로그램 또는 제품의 경우, 왜 기계 학습이나 인공 지능으로 구동되는 제품에 대해서도 그렇습니까? 왜냐하면 그건 우리가 지금 당장 볼 수있는 것이 아니기 때문입니다 MARK MIRCHANDANI : 그렇게 생각합니다 시간이 지남에 따라 변한다 당신이이 다른 사람들과 일할 때 이상적으로는, 그것을 사용하는 사람 또한 그것에 기여할 수 있습니다

이것이 내가 가진 생각입니다 그러나 그것을 모르는 사람들에게, 이것은 시작하거나 적어도 시작하는 좋은 방법입니다 몇 가지 고려해야 할 사항 가이드 북은 정확히 무엇입니까? 그것은 큰 O'Reilly 책과 같습니까? 우리는 두 페이지에 대해서 이야기하고 있습니까, 백지입니까? MARK MANDEL : 이야기 책인가요? 사진이 많이 있습니까? MARK MIRCHANDANI : 그게 좋을 것 같습니다 DI DANG : 오, 그럴지도 모르지 다음 반복이 될 수 있습니다

MARK MIRCHANDANI : Guidbook V2, 팝업 버전 DI DANG : 피드백에 대한 충분한 피드백을 계속 받으면 사이트에서 양식을 누른 다음 반드시 할 수 있습니다 그것을 팝 – 업 이야기 책이되기 위해 옹호해라 MARK MANDEL : 처음 여기에서 들었습니까? 반드시 팝업 스토리를 넣으세요 다음 버전을위한 책

DI DANG : 그리고 그 피드백이 들어 왔을 때, 그것은 내가 알고있는 것처럼, 당신은 GCP 팟 캐스트를 듣습니다 전화 해주셔서 감사합니다 폼 팩터는 마이크로 사이트입니다 그리고 6 장으로 구성되어 있습니다 지금 당장 기억에서 벗어날 수 있는지 보도록하겠습니다

첫 번째 장은 사용자 요구와 성공을 정의하는 것입니다 그래서이 장은 여러분이 이전 질문들에 대답하도록 도와줍니다 주위에, 우리가 이것을 AI해야합니까, 우리 ML 이것을해야합니까? AI에 대한 유용한 사용 사례는 무엇입니까? 뭐라구? 사용자 또는 제품 팀 AI 사용의 이점? 언제 너는 안할거야? 다음은 데이터 수집 및 평가입니다 다시 한번 Mark 암묵적이고 명시적인 편견을 어떻게 인식 할 수 있을까? 우리가 수집, 라벨링, 우리의 데이터에 대한 평가

다음 장은 정신 모델입니다 그리고 그것은 정신 모델이 무엇인지 살펴 봅니다 사용자가이 애플리케이션으로 가져 오는 이 경험에 일반 대중들, 많은 다양한 의견들이 있습니다 인공 지능이란 무엇이며, 그와 혼동하고 로봇, 또는 다른 무엇이든지간에

어떻게 가정을 더 잘 이해할 수 있습니까? 사용자가 귀하의 제품을 가져 오는 기대치? 그런 다음 제품의 디자인이나 경험을 조정하십시오 그에 따라 그러한 기대에 부합해야합니다 네 번째 장에서는 악용 가능성과 신뢰에 대해 살펴 봅니다 다양한 정도의 투명성을 가질 수 있다고 가정하면 AI 시스템이 만들고 있다는 예측에 그런 다음 어떻게 그 수준의 투명성을 전달할 수 있습니까? 그 결과로 사용자에게? 그들에게 유용한 것은 무엇인가? 뭐라구? 우리가 언급했듯이 또한 살펴 봅니다 더 일찍, 신뢰 수준, 때때로 당신은 사용자 측면에서보다 투명해야합니다

투자해야하는 자신감의 정도 이 애플리케이션에서 다음 장은 피드백과 제어를 살펴 본다 따라서 이것은 모든 종류의 응용 프로그램 제작의 핵심 요소입니다 사용자가 설정을 조정할 수있는 방법은 무엇입니까? 어떻게 그들은 시스템에 피드백을 제공 할 수 있으며, 그들의 요구에 더 잘 적응할 수 있도록 모델을 훈련시킨다 그들의 욕구에 더 잘 개인화되어 있습니까? 그리고 마지막 장은 오류와 우아한 실패이며, 당신의 모델이 실패한다는 단순한 진실을 인정합니다 어떤 점에서 약간의 오류가있을 것입니다

그럼에도 불구하고 사용자를 앞으로 어떻게 움직입니까? 좋아요 그렇다면이 안내서는 어떻게 사용합니까? 분명히 팝업 스토리가 있습니다 그들은 읽어야 만하지만, 그들이 그것으로 무엇을해야만 하는가? DI DANG : 참조 용으로 만들어졌습니다 그래서 당신이 이슈로 어려움을 겪고있는 것을 발견하면 그 장들에서, 당신은 그것을 끌어 올 수 있습니다, 특정 섹션을 읽을 수 있습니다 팀원들에게 문제가 될 수있는 질문에 대답하십시오

가이드 북에는 비 네트 (vignettes) 또는 실물 모형 (mockup) Run이라는 가짜 앱 이러한 실물 모형, 이러한 비 네트, 캡쳐 목표로 삼을 패턴이나 피할 패턴 그리고 이것들은 모두 진정한 통찰력을 기반으로합니다 Google 제품 팀에서 우리는 가이드 북의 목적을 위해 그것을 방금 생성했습니다 당신은 그것을보고 배우고 그 예제 패턴에서 또한 가이드 북에는 매 챕터마다 첨부 된 워크 시트

숙제처럼 들리 겠지만 조금 재미는 있습니다 하지만 워크 시트의 아이디어는 좀 더 짧은 레퍼런스 가이드 몇 가지 체크리스트, 포인터, 다른 질문 포함 팀에 포즈를 취할 수있는 연습 문제, 이 결정에 함께 올 것입니다 MARK MIRCHANDANI : 그래서 언급 했어 특히 역할의 큰 부분 돌아 다니며 의사 소통하고있다

이 사람들과 의견을 나누고, 물론, 나는 다시 가이드 북으로 접어두기를 바랍니다 누가 많은 피드백을 제공 했습니까? 그리고 사람들은 아마도 어쩌면 이 안내서, 또는 적어도이 안내서의 개념 절대받지 못한 채로? DI DANG : 글쎄, 우리는 가이드 북 개발을 시작했다 거의 1 년 전 30 ~ 40 명이 넘습니다 다른 제품 팀의 알파벳, Google 전체에서 통찰력을 제공 한 사람 또는 이것에 대한 학습

또한 가이드 북을 내부적으로 테스트했습니다 Google의 여러 제품 팀과 지난 몇 달 동안 내가 말했듯이, 우리는 가이드 북을 시작할 것이다 I / O에서 우리는 40 분의 세션을 가지고 있습니다

가이드 북 전용 그리고 이러한 개념을 현실화하기 위해, Google의 사례 연구를 통해 설명 할 것입니다 항공편 팀 그래서 우리가 해왔 던 핵심 팀 중 하나입니다 이 콘텐츠를 사용하여 파일럿하십시오

MARK MANDEL : 그럼, 우리 청취자들은 특정 베스트 프랙티스에 대해 더 많이 듣고 싶습니다 가이드에서 나왔다 한두 가지가 특히 있을까요? 너의 즐겨 찾기? DI DANG : 개념 중 하나 나에게 가장 흥미로 우며, 또한 이것을 나눌 때 Google 안팎의 사람들과 함께 최적화 비용을보고있다 정밀도 또는 회상을 위해 그리고 이것은 제가 여전히 좋아하는 것입니다 – 매번 나는 그것에 대해 이야기한다, 나는 내가 용어를 올바르게 이해하십시오

오진 (false positive)에 대한 정밀도가 최적화되어 있다고 생각하기 때문에 리콜 (recall)은 위음성 (false negative) 또는 다른 방향입니다 매번, 나는보기 같이 느낀다 실제로 사분면을 스케치해야한다고 생각합니다 그것을 올바르게 이해하고 있는지 확인하십시오 그러나 그것의 부족은 우리가 보상을 디자인 할 필요가 있다는 것입니다

하나 또는 다른 것을 위해 최적화되는 방식으로 기능하며, 그러나 우리는 훌륭한 균형을 유지해야합니다 흥미로운 사례 연구라고 생각합니다 Google 클립 팀과 협력하고 있습니다 너가 입을 수있는 그 착용할만한 작은 카메라 야? 너의 셔츠에 그리고 그것은 자동적으로 당신의 하루의 작은 클립을 캡처, 그리고 당신은 그 때 끝까지 다룰 수 있습니다 그리고 그렇게하면, 그것은 당신을 당신의 삶을 살도록 자유롭게 해줍니다

렌즈 뒤에있을 필요는 없습니다 하지만 너는 친절한 것을 가지고있다 당신을위한 특별한 순간을 나중에는 계속 유지할 것인지 결정할 수 있습니다 그리고이 개념의 재미있는 예입니다 정밀도 또는 리콜 최적화를위한 Google Clips 팀과 함께합니다

그들은 사용자 연구 과정을 통해 깨달았습니다 실제로 사용자는 카메라 기술을 원하지 않았습니다 정밀도를 위해 너무 많이 최적화하려면, 카메라가 가장 흥미로 웠던 것처럼 또는 가장 독특한 사진으로 사용자는 Google 클립 카메라를 선호합니다 리콜을 위해 더 많은 것을 최적화하기 위해 사진의 다양성과 같이, 비록 그들이하지 않는 것 본질적으로 흥미로운 것으로 간주됩니다 그것은 그들에게 통제감을 주었기 때문에 갤러리를 살펴보고 무엇을 선택할 수 있는지 실제로 그들에게 특별했습니다

그리고 결국, 그들은 더 큰 신뢰를 가질 수있는 것처럼 느꼈습니다 Google 클립 카메라에서는 허용 되었기 때문에 그 (것)들에게 실제로 특별했던 무슨을 정의하기 위하여, 특별한 순간이 없어지지 않았는지 확인하십시오 MIRCHANDANI MARK : 그런 경우에 그렇게 저렴한 비용이 있습니다 하루가 끝나면 사용자는 근본적으로 아니오라고 말하면서, 나는이 그림을 원하지 않는다 그러나 더 복잡한 시나리오에서, 다른 잔액이 있어야 효과가 있습니다

맞습니까? DI DANG : 네, 저에게 또 다른 재미있는 사례 연구 Google Brain 팀에서 온 것입니다 그들이 깊은 학습 모델을 만들었을 때 환자의 당뇨병 성 망막증을 진단 할 수 있습니다 그리고 나는 왜 지금은 기억이 나지 않습니다 그러나 어떤 이유로, 다양한 교란 요인이 있습니다 의사가 어려워 이것에 대해 고도의 훈련을 받고 경험이있는 사람들 이

그리고 실제로, 그들은 창조 과정을 통해 이 모델은 멀리 자동화하는 대신 인간 의사 진단, 모델, 의사와 협력하여 일하고, 실제로 진단의 정확도가 높아질 수 있습니다 모델이나 의사보다 그리고 그것은 저에게 흥미로운 예입니다 자동화를 위해 AI를 사용하는 방법에 대해 또는 인간의 무언가 능력을 향상시키기 위해, 그 둘 사이의 균형을 잘 맞추는 것과 같습니다 그리고 그것은 우리가 사용자 요구에 포함시키는 또 다른 것입니다 성공 장을 정의합니다

MARK MANDEL : 정말 핵심 구성 요소처럼 들립니다 문자 그대로 당신이 인간 중심의 인공 지능이라고 부르는 것 당신이 그것을 증강 경험으로하고 싶어하는 것처럼 어떤면에서, 모양이나 형태 DI DANG : 예, 그렇습니다 우리가 결정을 내릴 때, 우리가 제품 창작자로서, 과제를 자동화하는 결정을 내린다

우리가 이상적인 기준을 충족시키고 있다는 것을 분명히하고 있는가? 그것을 멀리 자동화하기위한? 예를 들어, 인간이 즐겁거나 즐겁게 찾을 수있는 작업을 자동화하기 위해, 또는 더 높은 말뚝, 그것은보다 적게 이해된다 사람들이 동의 할 수없는 작업을 자동화합니다 왜냐하면 우리가 작업을 수행하는 방법에 동의 할 수 없기 때문에, 그것은 우리가 다음에 명확한 기준을 가지고 있지 않다는 것을 의미합니다 모델을 훈련 시키십시오 흥미로운 것도 있습니다 여기에 더 깊은 곳이 있습니다

귀하의 의견에 일찍 표시하십시오 문화적 편견이나 가치에 대한 흥미로운 질문이 있습니다 여기, 내가 들었던 일부 초기 피드백 우리가 작업에 대한 가정을 할 때이다 멀리 떨어져있는 것을 자동화하기에 번거롭고 지루한, 그건 아마 서양식을 찾는 방법 일거야 뭔가를 할 때

우리는 더 큰 특권을 누리고 있습니다 말할 수 있기를, 실제로, 나는 느끼지 않는다 나도 몰라 내 메일을 열거 나 스팸을 검사 해 또는 무엇이 당신

그러나 그것은 우리가 할 수있는 결정입니다 우리의 상대적인 특권의 수준 때문에 그렇다면 우리가 할 때의 의미는 무엇입니까? 뭔가 자동화하는 데 동의합니까? 사회로서의 우리의 가치에 관해 무엇이라고 말합니까? 우리가 만들고있는 결정인가? 또는 우리가 알아야 할 다른 문화에 강요합니까? MIRCHANDANI MAR : 잘 모르겠습니다 누군가가 정크 메일을 열어 보는 것을 좋아한다면, DI DANG : 맞아, 그게 더 – 마크 멘델 : 어떤 사람들은 그렇게 할 수도 있습니다 당신의 기쁨을 찾으십시오 MIRCHANDANI : 그것은 있어야합니다 명상적인 경험 외에 너 안에 불꽃이 무엇인지 알아내는 것, 이 안내서는 또한 그것을 다루고 있습니까? 거의 문화적 분할처럼, 이러한 것들 중 일부에서 일어납니다

그것이 정말로 만들기가 어려울 것 같아서, 당신이 말한 바로는, 담요 성명서입니다 이봐, 누구나 아무도 원하지 않는다는 데 동의한다 DI DANG : 지루한 일이라면 누구도 그 일을 원하지 않습니다 그래,하지만 특정 작업을 수행 할 때 금전적 가치가있다 그것들은 일부 사람들의 직업입니다

그래서 그 사실을 알고 있습니다 MARK MIRCHANDANI : 글쎄, 그건 아마 많은 인공 지능에 대한 가장 큰 종류의 글로벌 반응, 그건, 헤이, 직업을 훔치는거야 그리고 우리는 단지 증원이 실제로 어떻게되는지에 대해서 이야기했습니다 거기에 목표의 조금 더 그 사람들에 대한 응답은 무엇입니까? 누가 정확히 말하는거야? 저기, DI DANG : 예, 솔직히 모르겠습니다

나는 없다 나는 그것에 대한 대답을 갖고 싶지만, 나는 모른다 나는 우리 모두가 여전히 그것이라고 생각한다 함께 계산 그리고 나를 위해,이 가이드 북을 시작하면서, 나는 우리가 이것을 시작하고 있는지 확인하고 싶다

전 세계의 이벤트에서 개발자 및 디자인 팀에 문의하고 있습니다 전세계 커뮤니티 왜냐하면 나는 그것이 매우 쉽다고 생각하기 때문이다 독점적으로 웨스트 코스트 관객에게 말하기, 또는 심지어 서구 관객 우리는 디자인과 개발자로부터 이해해야합니다

멀리있는 지역 공동체, 러시아, 브라질, 슬로바키아, 등등, 이것이 당신과 공감하나요? 이것은 인공 지능이나 기계 학습에 대한 생각을 어떻게 포착합니까? 그리고 그렇지 않다면, 무엇이 빠졌습니까? 부정확 한 것은 무엇입니까? 더 나은 서비스를 제공하기 위해 어떻게 성장해야합니까? MARK MANDEL : 나는 같은 것을 다시 적용한다고 가정하고있다 사회 경제적, 지위, 성별, 전체 뭉치 같이 기본적으로 다양한 다양성 측면의 사회는 전체적으로 정말로 당신이가는 방식에 영향을 미칩니다 이러한 AI 모델이 작동하도록합니다 DI DANG : 그렇습니다 다시 한번 말하면 기술 만이 아닙니다

그것은 기술이 사람들에게 우리에게 미치는 영향에 관한 것입니다 MIRCHANDANI MARK : 그래서 그것은 가능합니다 편견없는 모델? 우와 DI DANG : 나는 그렇게 생각하지 않는다 MARK MIRCHANDANI : 깊은 그룹에 오신 것을 환영합니다

우리는 질문에 깊이 빠져 있습니다 DI DANG : 나는 술 한잔 할 필요가 있다고 느낍니다 우리 모두 지금이 마실 것을 필요로하는 것 같아 지금 청취자들조차도 MARK MIRCHANDANI : 맥주와의 대화일지도 모릅니다

DI DANG : 나는 그렇게 생각하지 않는다 나는 여기서 개인적으로 말하고있다 바이어스는 우리를 인간으로 만드는 것의 자연스러운 부분입니다 하지만 내가 자연스럽게 말할 때 거기에는 가치 판단이 없다 그것의 좋은 자연 또는 나쁜 자연

그것은 우리가 인식하고 알아야 할 것입니다 그리고 우리는 반사적 인 무릎 덩어리 반응 만하는 것이 아닙니다 이것은 내 전반적인 디자인과 제품의 큰 부분입니다 철학, 우리가 매우 필요합니다 우리가 제품으로 내린 결정에 대한 양심의 가책 제작자, 우리가 내리는 결정 때문에, 말하기, 접근 가능성, 또는 어디에서 UI의이 특정 요소가 위치하며, 또는 심지어 대상 사용자가 교육 데이터 세트에 우리가 관리하는 모든 결정들 그 다음 캐스 캐 이드 (cascade)를하고 경계를 내기 위해 내뿜는다

최종 사용자가 할 수있는 일련의 결정 그 때문에, 우리는 모두이기 때문에 하루의 끝에서 인간, 우리는 항상 어떤 것에 편견을 갖거나 어떤 것에 편견을 갖다 또는 무엇이든 그래서 우리는 계속 그것에 대해 경계해야합니다 우리가 어떻게 할 수 있는지에 대해 물어보십시오 우리가 만드는 결정에 대해 더 염두에 두십시오

그런 다음 최종 사용자에게 전파됩니다 MIRCHANDANI MARK : 가이드 북 만 있다면 사람들이 결정하도록 돕는다 MARK MANDEL : 그곳에 만 있다면 DI DANG : 예 MARK MANDEL : 그래서 자연스럽게 segueing, 그래서 사람들이 더 배우고 싶다면, 그들은 어디로 갈 수 있습니까? DI DANG : 예, 당신이 물어 봤기 때문에 매우 기쁩니다

방금 URL을 완성했습니다 그래서 사람들이 가이드 북을 확인하고 싶다면, Designgoogle / AI- 가이드 북으로 이동할 수 있습니다 거기에 여섯 장이 보일 것입니다 워크 시트 및 대화식 연습과 함께 그 종류의 자료를 더 많이 파고들 수 있습니다

실용적인 방법 또한 사이트 전체에서 피드백 버튼을 볼 수 있습니다 어떤 생각의 형식을 채울 수있는 또는 당신이 가지고있는 우려, 우리와 공유하는 것, 이 문서를 계속해서 개선 할 수 있도록 모범 사례를 개선하는 데 도움이됩니다 현실은 AI 분야입니다 빠르게 발전하고 빠르게 변화하고 있습니다

우리 제품을 디자인하는 방식도 그렇습니다 결과적으로 그리고 그 결과로 이 베스트 프랙티스 세트와 안내 자체 그래서, 나는 당신에게서 소식을 듣고 싶습니다 우리는 당신에게서 소식을 듣고 싶습니다 또한 내 MD가 Twitter에 열려 있다고 말합니다

나는 dqpdang에있다 필요할 때 언제든지 연락하십시오 피드백 양식 자체 외부 그리고 바라건대, 나는 사건이나 무언가에서 너를 만날 것이다 그렇지 않으면

MIRCHANDANI MARK : 나는 한 가지 질문을하고 싶습니다 MARK MANDEL : 어 – 오 DI DANG : 어 – 오 MARK MIRCHANDANI : 매우 흥미 롭습니다 나는 구글이 헌신하는 것이 매력적이라고 ​​생각한다

많은 자원과 디자인 옹호, 개발자 옹호는 Mark와 내가있는 것입니다 우리가 할 수있는 많은 멋진 것들이 있습니다 우리가 기본적으로 말하기 때문에 Google과 협력하는 것이 좋습니다 또는 귀하의 경우, 인공 지능, 그리고 이러한 모든 다른 플랫폼 Google이 가이드 북을 만드는 이유는 무엇입니까? 그리고 왜 Google이 사람들입니까? 이 가이드 북을 만들면 괜찮습니까? DI DANG : 아, 거기에는 가정이 있습니다

사람들이 Google에서이 가이드 북을 만들면 괜찮습니까? MARK MIRCHANDANI : 여기 내 질문에 나오는 겁탈 자다 그들은 그렇지 않을 수도 있습니다 DI DANG : 그래, 그렇지 않을 수도있어 그래, 나도 알아, 그들이 그걸로 괜찮을지도 모른다 나는 올해 초 마이크로 소프트가 최근에 릴리스 한 것을 알고있다

유사한 일련의 원칙 또는 모범 사례 인간 중심의 AI 주변 우리는 그렇게하는 것이 처음이 아닙니다 그리고 희망적으로, 우리는 마지막으로하지 않을 것입니다 나를 위해, 나는 이것을 대화로 본다 우리는 사람들과 사방에 AI 구동 제품을 고려하고 있거나 적극적으로 노력하고있는 고객

그리고 이것은 또 다른 자원 일뿐입니다 그들이 참조 할 수있는 그리고 잘하면, 그들은 유용하다고 생각합니다 다행히도, 그들은 그것이 적절하다고 생각합니다 그들이하지 않으면, 잘하면, 그들은 내게 알려주고 우리는 알고 있습니다 그래서 우리는 계속 진화 할 수 있습니다

하지만 귀하의 질문에 대해 사람들은 Google과 함께 해보니 괜찮습니다 그건 아주 좋은 질문입니다 우리가 언제 풀어 낼지 알아낼 것입니다 마크 멘델 : 환상적입니다 우리가 마무리하기 전에, 우리는 시간이 없어

운수 나쁘게 언급하거나 플러그를 꽂으려는 것이 있거나 아니면 우리가 끝내기 전에 사람들이 알고 있는지 확인하십시오 DI DANG : 예, 앞서 언급했듯이, 이 안내서는 PAIR 팀에 의해 개발되었습니다 그리고 가이드 북 외에도, 더 많은 도구, 콘텐츠 및 지침을 확인하십시오 Google

AI/PAIR의 PAIR 팀의 사례 연구 MARK MANDEL : 쇼 노트에 링크가 있습니다 MARK MIRCHANDANI : 개인적으로, 나는 그 사분면을 이야기 책의 한 페이지로 기대합니다 그래서 나는 그것을 따라갈 수 있고 이해할 수 있습니다 정확히 어느 것이 사용되었는지, 가양 성 및 위음성

DI DANG : 예, 거기에 GIF가 있습니다 MARK MIRCHANDANI : 오,하지만 팝업 책입니까? MARK MANDEL : 팝업이 아닙니다 DI DANG : 아, 무슨 팝업 GIF가 있니? MARK MIRCHANDANI : 음, 그것은 책입니다 나는 실제 가이드 북을 좋아한다 DI DANG : 네, 그렇습니다

그건 정말 잘 작동합니다 동의한다 마크 AND델 : 훌륭합니다 음, 디, 팟 캐스트에 참여해 주셔서 대단히 감사드립니다 MIRCHANDANI MARK : 감사합니다, Mark

고마워, 마크 Michelle CASBON : 훌륭한 인터뷰였습니다 디를 쇼에 데려와 줘서 고마워, 마크 그리고 이제, 그것은 우리의 주 질문입니다 나는 너에게 질문이있다 MIRCHANDANI : 좋습니다

미셸 캐스본 : 방금 너무 많은 시간을 보냈으니 디와 대화하다, 누군가 얻고 싶다면 실용적인 인공 지능으로 시작했는데, 어떻게 그렇게 할 것인가? MIRCHANDANI : 흥미로운 점입니다 우리는 우리의 차가운 것들에 대해서 이야기하고있었습니다 많은 기계 학습이 있습니다 아주 아주 친절한 손으로 AI를 만들 수 있습니다 건물의 세부 사항에 들어갈 때 레벨에서 기계 학습 모델과 그 종류의 것들

그러나 훨씬 간단한 수준에서 Google이 제공하는 몇 가지 멋진 도구를 사용하면 지금 시작하십시오 나는 어떤 사람들이 말하고있는 것 중 하나라고 생각한다 나 최근 Dialogflow입니다 채팅 봇에 대한 많은 움직임이있었습니다 이러한 고객 경험을 창출하는 것입니다

그리고 당신은 분명 거기에 앉아서 대화 내용에 대한 완전한 규칙 목록 사람들을 위해서 그들이 A, B, 할 말을하고 싶지 않아요 Dialogflow는 AI의 매우 멋진 조합입니다 시스템과의 의사 소통 능력 및 다른 APIs, 종류를 창조하십시오 아주, 매우 유연하지만 여전히 유동적이며 용이함 AI 통신을 이해합니다 따라서 우리는 Dialogflow를 사용하는 것이 매우 멋지다고 생각합니다

그리고 우리는 최근에 얼마간 밀어 냈습니다 정말 쉽게 단계를 밟을 수있는 코드 연구소 어떻게 실제로 그것을 시작해야 하는지를 설명합니다 첫 채팅 봇을 어떻게 만듭니 까? 어떻게 다른 규칙을 만들 수 있습니까? 이 다른 것들의 의미는 무엇입니까? 그리고 두 개의 서로 다른 코드 랩이 끝날 때까지, 당신은 통신하는 기능을하는 채팅 봇을 가졌습니까? 이 예제에서는 캘린더를 설정하고, 초대하고, 그 종류의 것들 그것은 슈퍼 (super cool)입니다 시작하기 좋은 방법입니다

어떤 종류의 인공 지능이 시작됩니다 그래서 Priyanka는 많은 코드 연구소를 운영하고 있다고 생각합니다 그래서 우리는 분명히 설명에 것들을 포함시킬 것입니다 나는 지난 주에 그들과 함께 갔다 그리고 내가 얼마나 빨리 내가 ​​볼 수 있었는지 그것은 굉장했다

나에게 공통된 상태 인 아무 것도 알지 못하고, 모든 종류의 작업 채팅 봇을 가졌습니다 캘린더에 초대 된 일정입니다 그리고 나는 오, 어떤 종류의 멋진 일을 할 수 있을까? 그리고 나는 우리가 위대한 대화에 대해 정말 잘한다고 생각합니다 디와 함께 있었고, 이해의 종류 책임감있게 AI를 구축하려면 어떻게해야합니까? 그래서 나는 모든 청취자들을 거기에서 생각해보십시오 모든면을 염두에 두십시오

인공 지능 시스템을 구축 할 때 고려해야 할 사항입니다 MICHELLE CASBON : 예, AI에는 몇 가지 다른 접근 방식이 있습니다 마틴의 코드 랩을 가지고 있습니다 순수하고 깊은 학습을 통해서 그리고 당신은 Di의 접근법을 가지고 있습니다

이것은 매우 인간 중심적이며, 의식을 갖춰 봅시다 모델에 대해 생각해 봅시다 우리가 만들고있는 것, 그들이 인간에 어떻게 영향을 미치는지, 그들이 인간과 어떻게 상호 작용하는지 Dialogflow 예제를 사용하여 이론의 양면을 얻을 수있는 좋은 방법입니다 실제적으로 어떻게 실제로 구현합니까? 인간이 관련 될 때

MARK MIRCHANDANI : 네, 경로의 종류에 관계없이 너는 내려갈거야, 너는 고려할 필요가있을거야 어떻게 그걸 만들고 있는지 나는 디가 훌륭한 설명을했다고 생각한다 생각 과정 중 일부 그리고이 에피소드가 그 가이드 북을 방송 할 때쯤에는 사용할 수 있습니다

따라서 읽을 가치가 있습니다 미셸 캐스 본 : 훌륭합니다, 나는 그것을 볼 때까지 기다릴 수 없습니다 MARK MIRCHANDANI : 이제 우리가 그 일을 끝냈습니다 모두가 어디에 있을까? 이 에피소드가 방송되는 시점은? Google I / O 중에있을 것 같습니다 MICHELLE CASBON : Google I / O에있을 예정입니다

우리는 그 사건에 깊숙이 박혀있을 것입니다 MARK MIRCHANDANI : 이렇게 느낀다 우리의 다음 대화로, 우리가 어땠는지, 오, 그래, 다음에 무슨 일이 있었 니? 잘, 우리 모두는 잠시 낮잠을 잘 잤다 MICHELLE CASBON : 맞습니다 저는 Google I / O가 우리 팀에게 엄청난 힘이 될 것으로 기대합니다

그래서 개발자 축제입니다 옥외 행사 대다수였던 Next 대 야외 활동입니다 그리고 이것이 내 첫 번째 Google I / O가 될 것입니다 나는 전에 한 번도 본 적이 없다 그래서 나는 매우 흥분한다

이번 주에 거기에 계시다면 저를 방문하십시오 코드 랩 섹션 그래서 나는 매일 거기, 화요일, 수요일, 그리고 목요일 내년에 I / O에 관심이 있다면 티켓을 사러 갈 거니? MIRCHANDANI MARK : 훌륭한 질문입니다 그러나 나는 당신이 이미 대답을 알고있는 것처럼 느낍니다 미쉘 캐슬론 : 네가 오면 코드 랩스 섹션에서 저를 방문하십시오

완성 된 코드 실습실이 많을수록 2020 년을위한 추첨을 가질 예정입니다 MARK MIRCHANDANI : 오, 아마도 나는 앉아서 시합을해야만한다 일부 코드 연구소는 내년에 그것을 얻을 수 있는지 확인하십시오 미쉘 CASBON : 어쩌면 그렇게 따라서 실험실에서 각각 30 ~ 45 분 정도 걸릴 것입니다

그리고 더 많이 완성할수록 더 많은 항목이 생깁니다 너는 추첨식에 들어간다 하지만 마운틴 뷰 (Mountain View) 지역에 없다면, I / O 확장 이벤트에 참여할 수도 있습니다 작년에 우리는 100 개국에서 525 개의 제품을 판매했습니다 MARK MIRCHANDANI : 이런 몰리

MICHELLE CASBON : 그들은 전 세계에 걸쳐 있습니다 따라서 귀하의 지역에서 하나를 선택하십시오 또는 내년에 하나의 조직에 관심이 있다면, 우리는 항상 사람들을 찾고 있습니다 그리고 우리는 그것을 조직화하도록 도와 줄 것입니다 우리에게는 당신을위한 많은 자원이 있습니다

그리고이 I / O의 배경이 확장되었습니다 이벤트는 부분 시청 파티이고 부분적으로 커뮤니티 구축 그래서 당신은 당신 자신의 의제를 설정할 수 있습니다 hackathons, 코드 랩, 실시간 스트림 실행, 커뮤니티를 하나로 모으십시오 따라서 하나를 찾거나 내년에 호스트하고 싶다면, 우리는 그 자원들에 대한 링크를 가질 것입니다

I / O에 참여하십시오 그것은 위대해야합니다 나는 그것에 대해 매우 흥분한다 MIRCHANDANI MARK : 매우 시원합니다 그리고 그것은 여전히 ​​일종의 진정한 멋진 방법이기도합니다

그 공동체 전통을 계속 지켜라 반드시 베이 지역에서 여기있을 필요는 없습니다 그래서 I / O 후에, 나는 정말로 내가 최대 절전 모드로 되돌아 갈 것이라 확신한다 다음 I / O 때까지 모드 [쿨쿨] Michelle CASBON : 예, I / O 후 낮잠을 자고 싶습니다

하지만 나는 KubeCon Europe을 준비하고있을 것이다 그래서 나는 거기에 워크샵을 제공 할 것이다 그리고 나는 그걸 몇 가지 우리 동료들의 Kubeflow 팀의 사람들이 상당수 있습니다 바르셀로나에서 그래서 현장에 있다면, 들러서 인사하십시오

Twitter에서 나를 핑 (Ping)하거나 연락을 취하십시오 나는 너를 직접 만나고 싶다 아니면 워크숍에 오십시오 그리고 우리는 모든 자원을 제공 할 것입니다 Kubeflow 튜토리얼을 실행해야합니다

우리는 파이프 라인을 과시하고 어떻게 물건을 돌릴 수 있을지 노트북에서 아주 흥분 되는군 MIRCHANDANI MARK : 아주 멋집니다 사람들이 팀과 상호 작용할 수있는 많은 방법 여기 누가 그것을 짓고 있는지 하지만 그곳에는 수많은 사람들이있을 것이라고 확신합니다

글쎄, 누가 좀 비슷해, 봐, 우리가 사용하고있어, 이것이 우리가 사용하는 방법입니다 그리고 그걸 배울 수있는 멋진 것들이 있습니다 Michelle CASBON : 그래, 작년에 KubeCon을 정말 즐겼습니다 나는 또한 시애틀에서 워크샵을했다 그리고 이것은 또 다른 반복이 될 것입니다

그것의 모든 최신 기능과 함께 계속됩니다 그리고 나는 만난 사람들을 정말로 즐겼다 Kubeflow 사용자 및 방금 나온 사람들 처음으로 그것을 배우는 것 저에게 정말 좋은 경험이었습니다 MIRCHANDANI MARK : 아주 멋집니다

바쁜 1 주일 인 것 같은데, 그 다음에 더 많은 바쁜 주간을 추적했습니다 그래서 분명히 올 수있는 사람은 위대합니다 그리고 그렇지 않다면 좋은 방법이있는 것처럼 들립니다 그렇지 않으면 따라 잡기 MICHELLE CASBON : 예, 비디오로 나옵니다

그리고 코드 랩은 공개 될 것입니다 그래서 우리는 그것에 대한 링크를 게시 할 것입니다 MARK MIRCHANDANI : 멋지고, 잘 듣고 모두에게 감사드립니다 우리는 다음주에 모두 만날거야 [음악 재생]

How AI is Transforming the Enterprise (Next ‘19 Rewind)

CASSIE KOZYRKOV : NEXT 2019에서 거의 500 회의 세션이 있었지만, 당신이 그들 모두에게 다가 갈 수 없다는 것은 이해할 수 있습니다 따라서 AI가 어떻게 기업을 변화시키고 있는지 보지 못했다면, 여기에 되감기가 있으니 계속 지켜봐주십시오

[음악 재생] 인공 지능은 더 이상 과학 소설이 아닙니다 그것은 여기에 있으며, 창의력을 발휘하는 것은 당신에게 달려 있습니다 하지만 실제로 어떻게 생겼는지, 어떻게 보이는지 실제로 변환에 사용합니까? 대규모 산업? 그 커튼 뒤를 들여다보고 싶다면 익숙한 기업이 어떻게 채택하는지 알아보십시오 인공 지능으로 게임을 바꾸면 결과가 나옵니다 그것은 고객에게 좌절감에 대한 고객의 이야기를 전달합니다

그리고 승리 – 깊은, 실용적, 감동적인 이야기, 아주 진짜 호주 언론인 Fox Sports를 만나게 될 것입니다 AI를 사용하여 스포츠를 변화시키는 엔터테인먼트 회사 흥미 진진한 일이있을 때 팬들에게 경고합니다 배후에 Hulu에 가입하십시오 데이터 품질을 살펴보고 AI 다른 AI 응용 프로그램을 위해 더 나은 데이터를 생성하는 데 사용할 수 있습니다

고객 서비스 업무에 더 많은 즐거움을 가져다줍니다 자치령 대표 이제 창의성이 메타가됩니다 창의적인 비전과 데이터를 확보 한 후, 무엇 향후 계획? 모델이 필요합니다 모델은 조리법에 대한 멋진 단어입니다

이제 전통적인 인공 지능은 모든 요리법 그러나 당신이 필요로하는 모델이 이미 존재한다면 어떨까요? 피자 개념을 재창조하는 이유 좋아하는 요리사의 피자 요리법을 사용할 수있을 때? 글쎄, 그것이 바로 Google Cloud의 머신 러닝 API는 전부입니다 그것들은 우리가 여러분을 위해 만든 요리법입니다 요리 해 우리는 무거운 짐을 싣는 것을 배우는 기계를했습니다

이제는 플러그 앤 플레이 만 할 수 있습니다 기계 학습 API로 쉽게 만들 수 있지만, 당신은 그것들을 사용하여 믿을 수 없을만큼 환상적인 것을 달성 할 수 있습니다 너는 날아갈 것이고 영감을받을 것이다 API를 사용하여 유니레버의 여정에 대해 듣고 싶다면, 놀라운 투자 수익 (ROI)에서 눈썹을 올릴 수 있습니다 기존 솔루션을 빌리는 것은 대단합니다

그러나 일부 산업은 독점적 인 요리법을 처음부터 금융은 좋은 본보기입니다 세계에서 가장 큰 자산 관리자 인 BlackRock이 다이빙을하게됩니다 인공 지능을 사용하여 게임의 최상위 위치를 유지하는 방법에 대해 다음과 같은 과제를 해결하십시오 투명성에 대한 결정적인 필요성, 정당화되지 않은 복잡성의 위험, 미래에 대한 새로운 방향 – 자연 언어 처리와 비슷합니다

규모는 Google의 DNA에 있습니다 고객에게 매우 중요하다 이 이야기에서 만날거야 그래서 스케일 업은 큰 일입니다 그러나 지구 규모에서 AI를 실행하는 것은 하나의 크기가 모두를 만족시켜야한다는 것을 의미합니다

디즈니의 이야기는 모두 개인화에 관한 이야기입니다 그들은 첫 번째 고객 중 하나였습니다 공개하기 전에 AI 권고안을 시험해보기 Google NEXT에서 이제 1 년이 채 안되어 그들은 마법의 개인화 된 경험을 성공적으로 제공하고 있습니다 Shop Disney 사이트 사용자에게 제공됩니다 테스트 방법, 파워에 대한 통찰력을들을 수 있습니다

익명화 된 데이터와 왜 우리가 Eeyore 수면 마스크를 알고 있는지 정말로 다스 베이더와 같이 가지 마라 완전한 이야기를보고 싶다면, 설명의 링크를 확인하십시오 아래를 클릭하고 Cloud YouTube에 가입하는 것을 잊지 마십시오 더 나은 NEXT 되감기 콘텐츠를위한 채널 지켜봐 줘서 고마워

[음악 재생]

Google Using AI To Meddle In 2020 Election, Prevent 'Next Trump Situation': Project Veritas Google

Google, 2020 년 선거에서 병역 거부자로 '다음 트럼프 상황'방지 : Veritas Project Veritas의 새로운 비밀리에 공개 된 노출은 회사가 기계 학습 알고리즘 "다음 트럼프 상황"을 피하기 위해 "우리 모두는 2016 년에 망쳐 놨다

다시 우리 뿐이 아니었다 사람들은 망했다 뉴스 매체가 망쳐 놨어 모두가 망쳐 버렸어 그래서 우리는 빠르게 움직이고있어

마치 그곳에서 일어난 일과 어떻게 다시 일어나지 못하게 할 것인가 "라고 말했다 오랜 기간 Google 직원이었고 책임감있는 혁신 책임자 인 Jen Gennai "우리는 또한 알고리즘을 훈련하고 있습니다 2016 년에 다시 일어난다면, 그 결과는 달라질 것인가? "그녀는 덧붙였다 Gennai는 엘리자베스 워렌 (Elizabeth Warren)의 Google 해체 제안은 '매우 잘못된 것'이라고 말했습니다

"우리가하는 동일한 자원을 가지고 있지 않은이 모든 소규모 기업들은 비용이 청구될 것입니다 다음 트럼프 상황을 막음으로써 중소 기업이 그렇게 할 수없는 것 "이라고 말했다 한편 Veritas로 향한 Google 내부자는 Gennai를 촬영 한 내용을 확인했습니다 인정하는; 이 회사는 "기계 학습 공정성"을 여러 "알고리즘 적 불공정성"에 맞서 정치적 의제를 홍보하는 정치적 도구 물론 Gennai가 말한 것처럼 "우리는 공정성에 대한 비난을 받고 있습니다 우리가 믿을만한 뉴스 출처로 뽑은 것을 선택하기 때문에 보수 주의자에게 불공정하다

그 출처가 반드시 보수적 인 출처와 중복되는 것은 아닙니다 " 제쳐두고, 프로젝트 베리타스의 제임스 오키프 (James O'Keefe)는 Reddit이 월요일에 그들의 계정

AI spotted lung cancer BETTER than expert radiologists, study finds

새로운 인공 지능 시스템이 폐암 결절뿐만 아니라 전문 방사선 기사보다 성공적 이라면서도 새로운보고에 따르면 이 연구를 위해 Google과 Northwestern Medicine, 방사선 의사 및 기계 간의 협력을 위해 저선량 흉부 CT (computer tomography) 스캔 (LDCT 스캔)을 실시하여 악성 결절 이 모델은 의사가 성장을 차트 화하기위한 이전 스캔이 없었던 경우 6 명의 방사선 의사보다 성능이 뛰어 났으며 이전 이미징이 있었을 때도 수행되었습니다 연구자들은이 시스템이 조기 진단과 치료로 이어질 수 있다고 말하지만, 방사선 전문의를 대체하지 않고, 작업량에 대한 도움을 제공한다고 주장했다 폐암은 미국에서 암 관련 사망의 가장 흔한 원인이며, 2018 년에는 약 16 만 명이 사망합니다 컴퓨터 시스템은 너무 늦기 전에 더 많은 경우를 포착 할 수 있습니다

방사선 학자들은 일반적으로 단일 CT 스캔에서 수백 개의 2 차원 이미지 또는 '슬라이스'를 검사하지만,이 새로운 기계 학습 시스템은 거대한 단일 3 차원 이미지에서 폐를 관찰합니다 '라고 연구 공동 저자 인 Dr Mozziyar Etemadi, 노스 웨스턴 대학교 Feinberg School of Medicine의 마취과 교수이자 McCormick School of Engineering의 공학 조교수 '3D의 인공 지능은 2 차원 이미지를 보는 인간의 눈보다 초기 폐암을 감지하는 능력이 훨씬 더 민감합니다 이것은 기술적으로 '4D'인데, 그 이유는 한 번의 CT 스캔뿐만 아니라 시간 경과에 따른 두 번 (현재 및 이전 스캔)을보고 있기 때문입니다 '이러한 방식으로 CT를보기 위해 인공 지능을 구축하려면 엄청난 규모의 컴퓨터 시스템이 필요합니다

개념은 참신하지만 규모의 문제로 인해 실제 엔지니어링이 새롭습니다 '폐암은 미국에서 암 관련 사망의 가장 흔한 원인으로, 2018 년에 약 16 만명의 사망자가 발생합니다 미국과 유럽 전역의 대규모 임상 시험 결과 흉부 선별 검사로 암을 확인하고 사망률을 낮출 수 있음 그러나 높은 오류율과 이러한 검사에 대한 제한된 접근은 많은 폐암이 치료가 어려운 진보 된 단계에서 보통 발견된다는 것을 의미합니다 심층 학습 시스템은 기본 CT 스캔과 사용 가능한 경우 언제든지 환자의 이전 CT 스캔을 입력으로 활용합니다 이전 CT 스캔은 의심되는 폐 결절의 성장률이 악성을 나타낼 수 있기 때문에 폐암 악성 종양 위험을 예측하는 데 유용합니다 컴퓨터는 완전하게 식별 불능, 생검 확인 된 저선량 흉부 CT 스캔을 사용하여 훈련되었습니다 이 새로운 시스템은 관심 부위와 그 부위가 폐암의 가능성이 높은지 여부를 확인합니다 '이 시스템은 병변을 더 특이성으로 분류 할 수 있습니다 우리는 암에 걸린 사람을 더 잘 진단 할 수있을뿐만 아니라, 누군가가 암에 걸리지 않았다고 말하면서 잠재적으로 침습적이며 값 비싸고 위험한 폐 생검에서 그들을 구할 수 있다고 말할 수 있습니다 '라고 Etemadi는 말했습니다

Google 과학자들은 심층 학습 모델을 개발하여 Northwestern Medicine이 제공 한 6,716 개의 식별되지 않은 CT 스캔 세트에 적용하여 새로운 시스템의 정확성을 검증했습니다 과학자들은 인공 지능 강화 시스템이 때로는 극소의 악성 폐 결절을 발견 할 수 있었고 모델 AUC는 0 94 개의 테스트 케이스 이 사건은 Etemadi의 팀이 설계 한 복잡하고 고도로 맞춤화 된 소프트웨어의 결과로 Northwestern Electronic Data Warehouse 및 기타 Northwestern Medicine 데이터 소스에서 가져 왔습니다 '우리가 임상의로 사용하는 소프트웨어의 대부분은 연구가 아닌 환자 치료를 위해 설계되었습니다'라고 Etemadi는 말했습니다 '이 흥미 진진한 프로젝트를 돕기 위해 데이터를 추출하고 준비하기 위해 전 팀원이 1 년 이상의 헌신적 인 노력을했습니다 전례가없는 컴퓨팅 기능을 사용하여 수만명의 생명을 구할 수있는 잠재력을 가진 무언가를 만드는 Google의 세계적인 과학자들과 협력 할 수있는 능력은 진정한 특권입니다 '

Thriving in the Age of Deployed AI (Cloud Next '19)

[음악 재생] 앤드류 무어 : 앤드류 무어입니다 저는 Google Cloud AI의 책임자입니다

나는 내 경력을 열정적으로 보냈다 나쁜 시대를 통해 인공 지능에 대해 그리고 좋은 시간을 통해 그리고 물론, 우리는 지금 아주 흥미 진진한시기에 있습니다 인공 지능은 과학 소설이 아니며, 연구 프로젝트가 아닙니다 하지만 당신은이 테마를 볼 것입니다

그러나이 세션 동안 아주 많이 업계의 우리들은 여전히 ​​그렇습니다 아주 조심스럽게 일해야만 그 인공 지능은 성공적으로 배치됩니다 그리고 제가 여기서 의미하는 것은 AI 도구를 보면 스펙트럼 전반에 걸쳐, 또는 내가 AI 솔루션을 본다면 조직, 나는 세는 것에 관심이 많지 않다 그 도구를 사용하는 사람들의 수 또는 해당 조직의 서비스를 사용하는 것

중요한 것은 한 가지입니다 인공 지능의 성공적인 배치 그리고 AI 프로젝트의 단계에서, 일반적으로주의 깊은 개념 증명 작업으로 시작됩니다 많은 탐험적인 것들 네가하는 일을 안다면 너 항상 사람들과 함께 일할 것입니다

끝을 대표하거나 말할 수있는 사람 사용자 및 최종 고객 그러나 당신은 개념 단계의 증거가 될 것입니다 위험 해 – 나를 위해, 그것은 아기 거북이 보는 것을 보는 것 같다 해변을 가로 질러 가기 – AI 프로젝트에서 일어날 수있는 모든 끔찍한 일들입니다 개념 증명을 통과 한 그 순간부터 배포 된 솔루션으로 조직, 사용자 집합 또는 정부 인공 지능이하는 일에 기뻐합니다

Google에서 우리에게있어서 이것은 절대적으로 우리의 강박 관념이었습니다 특히 지난 12 개월 이후 우리가 항상 질문하고 있는지 확인하고 있습니다 새로운 것을 필연적으로 자극하는 것은 아닙니다 그러나 사람들이 원하는 것들을 확실히하기 위해 무엇을 할 것인가? 인공 지능과 관련하여 실제로 실제로 거기에 앉아있게됩니다 그래서 제 3 번째 글 머리 기호가 중요합니다

나는 정말 큰일이 아니길 바래 인공 지능 배치가 생방송됩니다 우리는이 과정을 일상화하려는 임무를 띠고 있습니다 AI 프로젝트의 가장 중요한 부분 물론, 그것에 종사하는 사람들입니다 그리고 – 저는 비상 인공 지능 프로젝트에 참여했습니다

그리고 나는 아주 느린 사려 깊은 장기 AI에 관여했습니다 프로젝트 그리고 모든 경우에, 당신은 건설업자를 확신시켜야합니다 – 당신이하고있는 것을 개발하고있는 사람들 – 처분 할 수있는 도구를 모두 가져라 자신이 잘하는 일을하는 것, 창의적입니다 수학과 숫자, 그리고 데이터 조작 솔루션 제공에 필요했습니다

그래서 우리가 얘기 한 것의 큰 주제를 볼 때 오늘 아침 기조 연설에서 우리가 처한 것들을 볼 수 있습니다 마찰을 제거하는 것 개념 증명에서 갈 수있는 안전하고 안정적이며 완벽하게 구축 된 인공 지능 시스템으로 그리고 많은 건축업자의 이익을 위해, 점진적으로 진행되는 것처럼 만드는 것이 문제입니다 그들이하는 일을 개선하고, 애자일 방식으로 계속 작업 할 수있다 도구를 사용하여 폭포 패션보다 조정하고, 반복하고, 확인하십시오 5 주 전에 만든 파이프 라인 언제든지 유지할 ​​수 있고 이해할 수있다

그들의 다음 팅겨보고입니다 그래서 나는 믿음으로 믿는다 인공 지능의 주요 영역입니다 그리고 우리 모두는 지금 정말로 사려 깊어야합니다 AI가 배포되는지 확인하십시오

놀라운 새로운 것들이 없다는 말은 아닙니다 파이프 라인을 내려와 나는 앞으로 2 ~ 3 년 동안, AI의 주요 새로운 비트가 등장 할 것입니다 우리도 일상화 될 수 있습니다 인과 관계 네트워크 학습이나 컴퓨터 비전과 같은 것들 단일 광자를 기반으로하는 알고리즘

그리고 당신이 모퉁이를 둘러 보듯이 할 수있게 해줍니다 또는 플래시를 통해보십시오 인공 지능을 더 설명하기 쉽고 이해하기 쉽게 만들기 위해 노력하십시오 그리고 다른 흥미로운 것들 학계에서 막 이사 오는 중이다 기계 학습 적용과 관련있다

코드를 자동으로 개선하고 알고리즘을 개선합니다 개발자의 내 직업이 AI를 지루하게 만드는 것이라고 말하는 동안, 나는 당신이 전체 분야가 지루하게 될 것입니다 새로운 것들이 나올뿐입니다 그리고 우리의 가장 중요한 일, 우리의 역할 세계 경제를 위해, 그것을 만드는 것입니다 이미 실제로 사용할 수있는 것 배포되고 사용됩니다

오늘은 세 명의 뛰어난 연사가 있습니다 모두 주목할만한 조직에서 나온 것입니다 그래서 그들은이 퍼즐의 다른 부분에 대해 이야기 할 것입니다 그리고 처음으로 소개하게 된 것을 기쁘게 생각합니다 Cruise의 Jai Chopra입니다

GM의 자체 운전 자동차 부문 – 누가 어떻게 이런 질문을 할 것인가? 우리는 창조적 인 건축업자에게 권한을 부여합니다 Jai JAI CHOPRA : 고마워, 앤드류 괜찮아 고마워, 앤드류

여기 와서 반갑습니다 그래서 오늘 크루즈에 대해 이야기 할 것입니다 엔드 – 투 – 엔드 기계 학습 플랫폼 그리고 앤드류가 언급 한 몇 가지 요지를 접하게됩니다 우리가 창조적 인 건축업자에게 권한을 부여 할 수있는 방법 궁극적으로 모델을 생산 방식으로 안전한 방법으로 가져옵니다

그래서 크루즈에서 가장 발전된자가 운전을하고있었습니다 사람들을 안전하게 연결하는 차량 장소, 사물, 경험 그들이 신경 쓰는 부분입니다 Andrew가 언급했듯이, AI는 우리 제품의 핵심입니다 우리의 자치 차량 자체 따라서 기계 학습은 중요한 요소가되었습니다

크루즈의 인프라를 지원합니다 크루즈에서 학습하는 기계에는 다음이 포함됩니다 기능 엔지니어링, 주석, 교육 및 검증 우리의 센서에서 오는 것입니다 매일 샌프란시스코를 여행하는 우리 차량에서 여기에는 LIDAR, 비디오, 오디오, 우리 로봇을 가능하게하는 레이더 센서 그 주위 세계를 아주 자세히 인식합니다

이로 인해 엄청난 인프라 문제가 야기됩니다 대규모 데이터 세트가있는 것은 아닙니다 우리는 신속하게 처리해야하지만 우리는 또한 기관총과 유스 케이스가 다양합니다 [INAUDIBLE] 모델을 사용한 통계 모델링에서 깊이있는 최첨단 모델에 이르기까지 TensorFlow를 사용하여 학습 연구 및 실험 모델에서 낮은 대기 시간의 생산 모델을 철저히 테스트 우리 차량에 배치됩니다

그러면 우리가 어떻게 이것을지지할까요? 나는 당신에게 간단한 소개를 할 것입니다 Cruise 's machine의 끝과 끝을 걷다 학습 플랫폼 그리고 여기에는 크게 세 가지 영역이 포함됩니다 데이터 처리, 실험 및 마지막으로 전개

우리가 [INAUDIBLE]을 통해 우리는 오픈 소스 GCP를 사용했으며, 및 자체 사용자 정의 가능 솔루션 기계 학습 개발을 과도하게하는 창조적 인 건축업자에게 우리가 크루즈를 갖도록 권한을 부여합니다 데이터 처리부터 시작하겠습니다 크루즈에서 우리는 오픈 소스를 좋아합니다 아파치 빔과 스파크는 스테이플러가되었습니다 대부분의 기계 학습 작업 부하에서 빔을 확장함으로써 우리는 자체 툴킷을 만들었습니다

우리가 내부적으로 사용하는 것은 자율 차량에 동력을 공급하는 것입니다 소프트웨어 개발 그리고 우리는 이것을 테라라고 부릅니다 후드 아래에서 Terra는 휴대 가능합니다 그것은 당신이 본질적으로 추상화, 계산, GCP의 데이터 흐름을 사용하여 탄력적으로 확장 뿐만 아니라 Dataproc은 Spark를 사용합니다

크루즈에서 제공하는 맞춤 컴퓨팅 엔진 이렇게해서 지역 개발자는 파이프 라인을 취할 수 있습니다 클라우드의 힘을 사용하여 규모를 확장하십시오 탄력있게, 원활하게, 훌륭한 경험을합니다 뿐만 아니라 실험적인 파이프 라인을 만들 수 있습니다

그리고 배치를 통해 생산 파이프 라인으로 전환하십시오 그리고 쉽게 진짜로 흐른다 Terra의 또 다른 설계 목표는 재사용 개념입니다 크루즈에서 우리는 빌딩 블록을 생각합니다 이 기계 학습 파이프 라인 각각의 네트워크 효과가있는 것으로 팀이 공동 작업하고 함께 작업 할 수있게 해줍니다

따라서 Terra를 사용하면 빌딩 블록을 가져올 수 있습니다 크루즈에서의 데이터 처리 그것은 검증 논리, 특집 구조 논리, 방법 정말 쉽고 때로는 시계열 데이터를 동기화 효과적으로 또한 플랫폼에 게시 할 수도 있습니다 다른 팀도 의견을 말하고, 재사용하고, 공유 할 수 있습니다

그래서 우리는 어떻게이 모든 것을 정말로 저장할 수 있습니까? 이기종 구조화 및 비정형 데이터? Cruise에서는 자체적으로 연합 데이터를 구축했습니다 store를 사용하여 엔드 투 엔드 워크 플로를 추적 할 수 있습니다 안전을 위해 추적 및 재현 할 수있는 방법으로 모든 운영 메타 데이터를 저장할 수 있습니다 데이터와 같은 각 기계 학습 파이프 라인으로 이동합니다 프레임, 포인트 클라우드, 오디오, 그리고 이전에 얘기했던 센서 데이터

내부적으로는 클라우드 SQL, BigQuery, BigTable, GCS 및 건물을 저장하는 컨테이너 레지스트리 기계 학습의 블록 추적 및 재현성을 가능하게합니다 우리 플랫폼의 일류 시민으로서 따라서 데이터를 준비한 후 워크 플로의 다음 단계 당신의 모델을 훈련하는 것입니다 그리고 아마도 당신이 말할 수 있듯이 모델을 훈련시키고, 특히 대규모의 대규모 학습 모델 데이터 세트는 인프라 측면에서 모두 비용이 많이 듭니다 또한 생산성에 많은 비용이 듭니다

크루즈에서는 자체 프레임 워크를 개발했습니다 깊은 학습 실험을 과장합니다 그리고 이들이 우리 플랫폼에 완벽하게 연결됩니다 스택을 사용하여 다양한 방법으로 확장 할 수 있습니다 GPO 컴퓨팅, TPU 등을 배포하면됩니다

우리는 또한 오픈 소스를 활용할 수 있습니다 [INAUDIBLE] 및 TensorFlow와 같은 프레임 워크 분산 된 메소드가 실제로 빠르게 확장됩니다 그래서 다음 단계가 가장 중요한 단계입니다 그리고 이것은 배치입니다 그리고 우리가 계속 투자 할 분야 중 하나 크루즈에서 해석과 진단을 이해하고 있습니다

기계 학습 효율적인 데이터 액세스 패턴을 가짐으로써, 우리는 풍부한 평가 메트릭 집합을 슬라이스 할 수 있습니다 그래서 기계 학습 팀이 근본 원인이 될 수 있습니다 모델 성능을 효율적으로 모델링하고 새로운 실험을 시작하십시오 그 학습에 기초하여

우리는 매일 이것을 할 수 있습니다 우리 엔지니어링, 생산성 및 디자인 팀 최근 우리의 시각화 툴링의 일부를 오픈 소스로 가지고 있고, GitHub에서 지금 체크 아웃 할 수 있습니다 어떤 기계 학습 팀을 허용 불가지론자를 통해 구성 요소 라이브러리 구축 [INAUDIBLE] 및 데이터 유형 그래서 이것은 정말로 크루즈에 관한 독특한 것으로 다시 연결됩니다 깊은 통합을 원하십니까? 제너럴 모터스와 맺었습니까? 주어진 새로운 반복을 통해, 우리는 새로운 훈련이 필요한 새로운 센서를 가질 수 있습니다

새로운 배치 플랫폼을 사용하면 신속하게 대응하고 배포하십시오 알 수 있듯이 몇 가지 새로운 디자인 테마가 있습니다 플랫폼 전반에 걸쳐 크루즈에서는 표준화가 유연성을 유지하면서 인프라 스트럭처를 확장 할 수 있습니다 기계 학습 종사자를위한 다양한 지식, 고유 기술, 경험으로 훨씬 더 빠른 진행 속도 우리가 우리의 사명을 성취 할 수 있도록 Andrew와 Google Cloud 팀에게 감사드립니다

오늘 내가 너에게 이걸 보여주기 위해서 우리는 그 기회를 정말로 고맙게 생각합니다 감사 앤드류 무어 : 대단히 감사합니다 나는 이것이 매우 높은 수행 능력을 보여주는 방법이라고 생각한다

매우 어려운 분석을하는 팀 계속 속도를 유지해야합니다 더 나은 모델 매주 생산성을 유지하기위한 프레임 워크를 구축해야합니다 그리고 저는 프로젝트에 참여했습니다 우리는 그 도구를 가지고 있지 않았습니다

그리고 우리는 거대한 덩어리를 다시 써야합니다 그리고 나는 개인적으로 2 ~ 5 번 볼 것입니다 그 실험을하지 않으면 감속합니다 플랫폼이 정확합니다 그래서 우리의 다음 연사는 가장 인기있는 최근 도착자 중 한 명입니다

인공 지능 계획에 UI 경로에서 PD Singh 그는 AI 배포에 대해 이야기 할 것입니다 모두가 그것을 사용할 수있는 방식으로 PD 고마워, 앤드류

앤드류, 고마워 파트너십에 진심으로 감사드립니다 우리는 Google과 계속 진행하고 있습니다 여러 가지 문제를 해결하도록하겠습니다 네가 한번 AI 기계 학습 배치에 대해 생각하기 시작하십시오

기업에서 질문 하나 할게요 나는 이것을 조금 더 대화식으로하고 싶다 손의 쇼, 얼마나 많은 사람들이 실제로 빌드 머신 학습 모델? 큰 얼마나 많은 사람들이 실제로 기업에서 생산중인 모델 사람들이 실제로 그 통찰력을 사용하고있는 곳에, 그리고 당신은 피드백 루프를 닫고 있습니까? 큰 그래서 이것은 이해하는 청중입니다

대리석을 기업에 배치하는 데 필요한 것 그리고 이제 손을 보여 주며 얼마나 많은 사람들이 한때 당신이 개발 한 마지막 마일을 좋아해 모델, 일단 제대로 테스트했으면 자신의 샌드 박스와 도구에서 해당 모델을 배치하고 비즈니스 응용 프로그램이나 최종 사용자와 대화하십시오 응용 프로그램 중 몇 분의 일을 좋아합니까? 네 나는 그렇게 생각한다

그래서 그것은 분명히 소수의 사람들입니다 너희들은 확실히 예외가있다 그러나 현실 세계에서 우리가 보는 것을 말해 보도록하겠습니다 여기있는 사람들을 포함하여 모든 분석가 지금 당장이 세션에 참석하면, 우리는 AI 시장이 큰 시장이라는 것을 압니다 그것은 2021 년까지 48 ~ 500 억 달러 규모의 시장이 될 것입니다

그러나 이들 중 몇 개가 실제 사용 환경에서 작업 부하가 실제로 배포되었습니다 기업의 경우 4 % CIO는 생산에 뭔가가 있다고 말합니다 또한 어떤 모델의 일반적인 AI 수명주기를 살펴 본다면 당신이 개발하고 배치하려고하는 것, 이런 식으로 보입니다 첫째, 데이터 저장 및 탐색을해야합니다 그렇다면 ETL을 위해 뭔가를하십시오

데이터 변환, 사전 처리, 기능 선택, 기능 선택 그런 다음 모델을 만들고 교육을 시작합니다 그런 다음 실제로 모델을 배포합니다 그러나 실제로 모델 배치는 무엇을 의미합니까? 그리고 우리는 현재 인공 지능은 전달 메커니즘이 결여되어 있다고 생각합니다 정말 빠른 배달 메커니즘 – 이러한 모델을 신속하게 배포 할 수 있습니다

프로덕션 설정에서 그래서 UI Path에서 우리는 RPA 회사입니다 그리고 우리가 너에게 준 경우에 무엇을 말할 수있다 AI를 배포 할 수있는 도구에 대한 액세스 자원 비용의 일부분으로 모델링 이 모델을 배포하기 위해 지금 바로 고용하십시오 그리고 시간의 일부로

30 초 이내에 좋아 우리는 당신에게 그것의 가벼운 시연을 줄 것입니다 그러나 우리가 의미하는 바는 얼마나 많은 사람들이 RPA가 무엇인지 압니까? 큰 그래서이 모든 청중은 이미 그것에 대해 많이 알고 있습니다 그러나 기본 RPA 시스템을 살펴 본다면, 그것은 물류 중심의 시스템으로 자동화는 많은 규칙 기반 작업

그리고 UI를 자동화하여 이러한 자동화 작업을 수행 할 수 있습니다 기업에서 사용하는 프런트 엔드 앱 등이 있습니다 워크 플로를 자동화하는 데 매우 중요한 지역입니다 디자인 이제 AI와 RPA를 결합하기 시작하면, 이것이 AI 모델을 사용하는 미래입니다

기업에서 신속하게 배포 할 수 있습니다 AI가 문제를 잘 알고 있다는 것을 알기 때문에 인지 기능을 가진 [INAUDIBLE] 필요한 곳에서 복잡한 일을해야하는 곳 Andrew와 같은 지속적인 모델 개선 작업 얘기하고 있었어 어떻게 그 피드백 고리를 닫습니까? 그리고 구조화되지 않은 데이터를 이해하는 것과 같은 일을해야합니다 출처 예를 들어, 스캔, 인보이스, 영수증, 당신이 만든 모든 것

그러나 RPA를 살펴 본다면, 반복적 인 작업을 자동화합니다 이해할 수있는 현지화 된 방식으로 매우 구조화 된 데이터 요소 오늘, 우리는 UI 경로에서 새로운 서비스를 공개하고 있습니다 우리는 인공 지능 패브릭이라고 부릅니다 우리는 본질적으로 지원하는 세계 최초의 RPA 회사입니다

기계 학습 모델을 RFA 워크 플로우에 곧바로 적용 할 수 있습니다 RPA와 함께 일하신 많은 분들 RPA와 AI를 결합하려고 시도했지만, 너는 너를 보았을 것이다 당신은 파이썬을하고, [무관심하다] ,, 물건 그러나 우리는 생산 등급 ML 모델에 대해 이야기하고 있습니다 TensorFlow 모델과 같습니다

모든 툴킷을 사용하여 개발 된 모델 이러한 모델을 클라우드 또는 사전에 배치 할 수 있으므로, 개선 할 수 있어야합니다 기본적으로 RPA 워크 플로에 해당 모델을 포함시킵니다 그래서 UI Path에서 우리는 AI 기술이라고 부릅니다 기술을 쉽게 배치 할 수있는 모델로 생각하십시오

그러나 이것들은 라이브러리 및 모든 종속성 포함시킬 수 있습니다 따라서 우리는 많은 기술 파트너와 협력합니다 우리가 느끼는 것이기 때문에 우리는 많은 고객과 협력합니다 기술 플랫폼의 부족이있다 지금 파트너, 고객, 이러한 엔터프라이즈 워크 플로에 모델을 도입 할 수 있습니다 용이하게

이것이 우리가 원했던 것입니다 Google Cloud와 긴밀히 협력하고 있습니다 우리 파트너들 덕분에 배포, 관리, 개선 할 수있게 해줍니다 이 모델을 정말 쉽게 만들 수 있습니다 그리고 RPA를 사용 사례로 사용할 수 있습니다

기업 전반에 널리 퍼져 있습니다 내일 우리는 세션이 진행 중입니다 인보이스 처리 방법에 대한 자세한 설명 이러한 기술 중 일부 하지만 보험 청구 처리, 컨택 센터 시나리오 그러나 우리는 개방형 플랫폼입니다

Kubernetes와 Kubeflow의 위에 지어진다 그리고 우리는이 하이브리드 및 개방형 아키텍처를 포용하고자합니다 그렇게 말하면서, 안톤에게 우리에게 주겠다 AI 패브릭의 데모 고마워요, 안톤

ANTON : 좋습니다 이것이 우리의 조정자 환경입니다 여기서 우리는 모든 자동화 구성 요소를 유지합니다 우리는 ML 기술이라는 새로운 섹션을 가지고 있습니다 나는 정말로 빨리 할거야

만들어진 모델을 업로드하고 있습니다 이메일 분류의 목적으로 이메일이 많은 은행의 경우 일반 이메일로 전송됩니다 그래서 보자 EmailClass, 입력 유형, json, 테스트, 테스트 그래서이 모델은 우리 고유의 데이터에 의해 훈련되었습니다

과학자, Jeremy [INAUDIBLE] 그러나 우리는 실제로 사용하기를 원하지만 현실 세계에서 그러합니다 이제 모델이 GCP에 업로드됩니다 Google Cloud의 [INAUDIBLE] Storage에 저장합니다 이제 모델을 배포 할 것입니다

그래서 일어날 일은 그 zip 파일입니다 모델을 가져와 컴퓨터화하고 노출 시키려고합니다 Kubeflow를 통한 엔드 포인트, Seldon Core를 통해 서비스하십시오 이제 해당 모델은 연결된 모든 사용자가 사용할 수 있습니다 이 오케스트라 입주자에게

그래서 유스 케이스는 은행에있다 이 전자 메일이 일반 전자 메일 계정으로 들어옵니다 불만이있을 수 있습니다 쿼리 일 수 있습니다 그리고 우리는 이들을 분류 할 것입니다

그래서 그들은 실제로 다양한 팀으로 보내질 수 있습니다 이러한 문제를 다루는이 유스 케이스 우리는 ML 기술이라는이 활동을합니다 나는 이미 내 작업 흐름에있다 배포 된 모델을 선택할 수 있습니다

확인을 클릭합니다 나는 입력을 지나가고있다 나는 그것을 다음 활동에 노출시키고있다 이제 도망 갈거야 그러면 로봇이 생깁니다

그리고 이것은 바닥에있는이 작은 실행 파일 일뿐입니다 화면의 – 이 이메일의 본문을 가져갈 것입니다 그들을 분류해라 오, 세상에 PD SINGH : 안톤이 이런 것들을 보여주고있는 동안, 이 사용 사례 – 수천을 얻는 대형 은행을 생각해보십시오

이메일 매일 그리고 우리는 우리 고객과 협력하고 있습니다 그들은 60 명의 직원을 고용 한 은행입니다 이러한 이메일을 분류합니다 이메일이 들어 오면 이메일 분류 모델을 구축 할 수 있습니다

해당 LSDM에 대한 기술을 사용할 수 있습니다 기본적인 [INAUDIBLE] 모델 그러나 당신의 사서함을 통과하는 모델을 가지고, 모든 이메일을 살펴보고 분류하고 분류한다 특정 폴더에서 – 예를 들어, 여기,이 모델은 이메일을 라우팅 할 것입니다 그들이 갈 필요가있는 매우 구체적인 부서에

예를 들어 고객 서비스 중 하나 인 경우 이메일 또는 모기지 부서 또는 사기 탐지, 이 모델은 Anton로 쉽게 배치 할 수 있습니다 30 초 이내에 보여 주며 귀하의 이메일을 통해 쉽게 분류 할 수 있습니다 그래서 이것들은 유즈 케이스의 종류입니다 우리가 데이터의 삶을 살고있는 곳으로 가고있다 과학자와 인공 지능 실무자가 훨씬 쉽게 어디서이 모델을 가져갈 수 있을까요? 이를 엔터프라이즈 워크로드에 신속하게 전개 할 수 있습니다 가능한 한 쉽게 ANTON : 작동 중입니다

효과가 있습니다 PD SINGH : 아주 멋지다 ANTON : 그래서 여기서 일어나는 일은 이 폴더로 이동합니다 보시다시피 각 이메일을 하나씩 가져옵니다 폴더로 이동합니다

자동으로 팀이 실제로 거래하는 곳으로 라우팅 될 수 있습니다 그것으로 그래서 우리는 하나의 참조 고객 PD를 가졌습니다 이러한 일반 이메일 계정을 선별 한 60 명 그리고 몇 분 안에 자동화했습니다

PD SINGH : 예, 꽤 멋지 네요 고마워요, 안톤 그걸로 앤드류에게 건네 줘 앤드류 무어 : 그래서 내가 자랄 때, 이런 종류의 완전히 과학 소설이었다 그것이 어땠는지 보니 정말 반가워요

AI 개발의 현실의 일부 이제 전문가 중 한 명을 소개하게되어 매우 기쁩니다 AI 개발의 일반적인 주제에 지난 몇 년 동안 내가 돌아 섰던 누군가 다음에 무슨 일이 일어나는지 이해했다 큰 전반적인 주제는 무엇입니까? Mike Gualtieri에게 마이크를 넘겨 주니 기쁩니다 고마워요

안녕, 모두들 Google Next에서 만나서 반갑습니다 그래서 제 이름은 마이크 구 알티 에리입니다 Forrester의 수석 연구원 그리고 나는 인공 지능 기술을 다룬다

주로 기계 학습 그래서 우리의 연구를 통해 저는 많은 회사들과 이야기합니다 많은 데이터 과학 팀 그래서 제가 여러분에게 선물하기를 원하는 것은 몇 가지 요령입니다 우리의 연구를 통해 우리가 배웠던 몇 가지 조언은 AI 프로젝트를 구현하는 데 도움이됩니다

그래서 우리의 일반적인 믿음은 AI가 선을위한 힘이라는 것입니다 그것은 의료 비용을 저렴하게 만들 것입니다 보다 개인화 된 고객을 만들 것입니다 경험담 본질적으로 사회의 모든면에 영향을 미칠 것입니다

긍정적 인 방법으로 몇 가지 위험 요소가 있지만 일반적으로 좋은 일을위한 힘 그리고 우리는 그것이 기업이 될 것이라고 믿습니다 그것을하는 기업이기 때문에 그것을하십시오 풍부한 데이터가 있습니다 이 일이 일어날 기업입니다 이제 지난 3 년 동안 우리는 회사에 AI를 얼마나 많이 채택하고 있는지 묻고 있습니다

우리는 그것이 무엇인지 정의하지 않습니다 하지만 당신은 회사의 수를 볼 수 있습니다 싫다 고 말하면서 예라고 말하는 회사의 수가 늘어나고 있습니다 우리는 3 년에서 5 년 사이에 약 100 % 회사의 이제는 그들이 할 수있는 모든 것을 구현한다는 의미는 아닙니다 그들은 단지 수다쟁이일지도 모른다

여기에 몇 가지 조언이 있습니다 따라서 우선 가장 높은 ROI 사용 사례를 여러 개 선택하는 것입니다 높은 ROI 활용 사례를 선택하는 것은 매우 분명합니다 그러나 때때로 우리는 장난감 사용 사례를 선택하는 회사를 보게됩니다 이제는 여러 가지 이유는 기계 학습 때문입니다

항상 작동하지는 않습니다 데이터에 신호가 없을 수도 있습니다 그래서 우리가 보았던 것은 기업들이 테이블 주위에 앉아있는 것을 보았습니다 그들은이 유스 케이스가 멋지다고 결정한다 그들은 6 개월 동안 그 일을합니다

신호가 데이터에 없습니다 따라서이 프로젝트에 대해 조금 더 생각해야합니다 VC가 기업에 투자하는 것처럼 그들은 투자하는 10 개 회사가 성공할 것이다 그러나 통계적으로 세 가지가 있습니다

여러 프로젝트에서 작업하십시오 유스 케이스가 수천 가지라고 생각합니다 고객 여정에서 찾을 수 있습니다 비즈니스 프로세스에서 찾을 수 있습니다 몇 가지 예입니다

항공사는 취사를 12 % 줄였습니다 기업들은 전자 상거래 용으로이를 분명히 사용하고 있습니다 그들은 맞춤 상담을 제공하기 위해 그것을 사용하고 있습니다 조언 매장 내 경험을 하이퍼 – 개인화합니다

깊은 학습은 질병을 발견하는 데 사용됩니다 하나의 철도로 단 하나의 모델로 7 천만 달러를 절약 할 수 있습니다 경기 침체를 예측함으로써 경기 침체를 피할 수 있습니다 비즈니스에서 예측할 수있는 모든 것 잠재적 유스 케이스이다 그리고 당신이 이것을 통해 사업을한다면, 당신은 인공 지능에 대해 말하지 않고 기계에 대해서도 말하지 않습니다

학습,하지만 당신은 예측에 대해 이야기, 갑자기, 아이디어가 흐르기 시작합니다 여러 용도로 작업하는 것이 중요합니다 이제 두 번째 데이터 과학자라면 이미 알고 있습니다 데이터에 대한 액세스를 주장해야합니다

다시 알고리즘은 모든 언론을 얻습니다 그러나 실제로 중요한 데이터입니다 그리고 기계 학습에서도 마찬가지입니다 쓰레기를 내고 쓰레기를 버리는 것은 절대적입니다 이것도 사실입니다

문제는 필요한 데이터가 무엇인지 모르는 것입니다 그래서 당신은 훨씬 더 많이 얻어야합니다 그리고 그것은 크기가 아닙니다 그것은 올바른 데이터에 관한 것입니다 좋은 소식은 조직 수십, 수백, 수천 가지가있다

모든 응용 프로그램이 데이터를 생성합니다 그래서 많은 데이터가 있습니다 그러나 일을하는 것은 큰 전제 조건입니다 이것은 처음부터 인공 지능을 지배 할 사람이 누구인지 생각해 보면, 누가 AI를 지배하게 될까요? 업계에서 기업입니다

왜냐하면 인공 지능은 좋은 데이터에 완전히 의존하기 때문입니다 그리고 그것은 당신과 당신의 기업입니다 그 데이터를 가지고 있습니다 그리고 이것은 몇 가지 예일뿐입니다 따라서 데이터는 그러한 기계 학습을 유도 할 연료입니다

프로젝트 그러나 데이터에 신호가 없으면 당신은 유스 케이스를 가지지 않을 것입니다 그러면 우리는 다른 지점으로 돌아갑니다 이러한 유스 케이스가 필요합니다 여러 사용 사례가 필요합니다

그래서 제가 말했듯이, 모든 사람들이 알고리즘에 대해 이야기합니다 그것은 모든 언론을 얻습니다 그러나 실제로 중요한 데이터입니다 다른 것은이다 그리고 이것은 더 일찍 언급되었다

모델을 만들 수 있습니다 그러나 그것을 배치하는 것은 완전히 다른 일입니다 따라서 데이터 과학은 실제로 예측할 수있는 방법에 관한 것입니다 사업에 사용된다 그러나 그것은 명백하게 그러한 비즈니스 프로세스에 영향을 미칩니다

그러나 어떤 이유로 기업들은 생각합니다 데이터 과학은 그냥 지나치는 비밀스러운 것입니다 이리 그리고 데이터 과학자가 모델을 발표 할 때, 그러면 걱정할 것입니다 대신에 미리 걱정해야합니다

비즈니스 프로세스에 영향을줍니다 이는 고객 경험에 영향을 미칩니다 또한 응용 프로그램 설계 및 개발에 영향을줍니다 이 모델들이 많이 있기 때문에 응용 프로그램 내에서 구현 될 것입니다 또는 UI 경로와 같은 RPA 도구에서 나타낼 수 있습니다

협업을 촉진하십시오 이것은 새로운 소프트웨어를 개발하는 것과 같습니다 일찍부터 그 사이에 큰 지연 시간이 없도록 모델은 훈련을 받았고, 충분히 정확하다고 여겨진다 실제로 비즈니스에서 사용될 때 그리고 또 다른 중요한 측면 여기에, 나는 많은 회사들이 간과하고 있다고 생각한다

그 모델은 신선한 규모로 유지해야한다는 것입니다 모델이 확률 적입니다 그들은 절대적이지 않습니다 즉, 그들은 오 탐지를하게 될 것입니다 그들은 거짓말을 할 것입니다

그들은 확률 론적이다 이제 훈련을 받으면 역사적으로 훈련을 받았습니다 그리고 어느 정도의 정확성이 있습니다 그러나 그 모델 성능은 시간이 지남에 따라 감소 할 것입니다 그것은 역사적인 데이터에 대한 훈련을 받았다

환경을 나타냅니다 해당 환경이 변경되면 모델 뿐만 아니라 변경해야합니다 그러나 그것이 영원히 생산에 머물러 있다면, 그것은 성능이 저하 될 것입니다 그리고 나서 당신은 부정적인 사업을 시작하게 될 것입니다 값

그것은 코드에 반대합니다 코드를 개발할 때, 파이썬이나 자바 코드를 작성할 때, 그리고 배포하면 영원히 그런 식으로 달릴 것입니다 버그가있을 수 있습니다 그러나 그 길은 영원히 계속 될 것입니다 기계 학습 모델은 다릅니다

그래서 그들을 재교육해야합니다 그리고 사업은 아마 내가 말할 것이다 그 (것)들이 더 정확한하고자하십시오 그래서 당신도 그들을 개조하고 싶을지도 모릅니다 여기에 암시가 있습니다

하나의 모델을 배포 할 때 아무런 문제가 없습니다 스위블 의자 협업을 사용할 수 있습니다 이런 일을 끝내기 위해서 요 하지만 수백만 개의 모델을 할 때, 수백 가지 사용 사례 또는 수천 가지 사용 사례를 수행하고, 이 작업을 수행하려면 시스템이 필요합니다 그리고 당신이 그 모델을 훈련 시키는데 사용했던 인프라가 무엇이든간에, 당신은 영원히 그것을 필요로 할 것입니다

계속적이지 않습니다 그러나 당신이 모델을 재 훈련해야 할 때마다, 인프라가 필요할 것입니다 그 모델을 훈련시키는 것 그렇다면 50 개의 모델과 100 개의 모델이있을 때 어떤 일이 발생합니까? 이것이 클라우드 회사가 AI 작업 부하를 좋아하는 이유입니다 권리? 인프라를 필요로하기 때문에 오랫동안

그리고이 개념도 있습니다 이 훈련에 참여한 그리고 그 모델의 작동 ML Ops 엔지니어라고 부릅니다 때로는 모델 운영 엔지니어라고 부릅니다 그러나 이러한 모든 역할이 필요합니다

또한 DevOps 및 게재와 매우 다릅니다 왜냐하면 모델은 다시 코드를 가지고 있기 때문입니다 훈련 받고 재교육받습니다 그리고 마지막으로, 인간을 계속 순환 시키십시오 나는 이것이 꽤 명백하게 들린다 고 생각한다

그러나 AI 모델은 확률 적입니다 그래서 그들은 완벽하지 않습니다 그들은 우리와 매우 흡사합니다 AI를 설명 할 수 있어야합니다 그리고 나는 많은 이야기가있을 것이라고 확신한다

여기에 설명력, 그리고 안티 바이어스 기술, 기타 등등 하지만 어떻게 작동하는지 설명 할 수 있어야합니다 그리고 여러 가지 방법이 있습니다 석회가 있고, [무관심한] ,, 그리고 더 많은 기술들이 있습니다 연구에서 신흥

그러나 당신은 그것을 설명 할 수 있어야합니다 그러나 여기에 가장 중요한 것이 있습니다 그리고 이것은 중요합니다, 반드시 당신을 위해, 비즈니스 스폰서에게 말할 수 있어야합니다 당신은 모델이 당신에게 지시하는 것을 할 필요가 없습니다 권리? 데이터 과학자들은 정확성에 사로 잡혀 있습니다

그리고 그 정확성을 단순히 극복 할 수 있습니다 모델을 배치하여 그리고 어떤 모델이 당신에게 뭔가를하도록 지시한다면 네가하고 싶지 않은 것, 너는 할 수있다 모델이 이렇게한다고 말하면 코드를 넣으십시오하지 마십시오 권리? 그래서 이것은 AI 모델을 얻는 방법입니다

기업에 이들을 규칙으로 둘러 쌀 수 있습니다 나는 80 년대에 전문가 시스템이라고 부를지도 모른다 하지만 규칙으로 모델을 둘러 쌀 수 있습니다 이는 정확도 모델의 효과 중 일부를 무효화 할 수 있습니다 전형적인 예가 있습니다

그것은 대출 결정을 내린다 원하는 경우 간단히 말할 수 있습니다 백만 달러의 대출을 허용하기 위해, 우리는 그렇게하지 않을 것입니다 우리는 이것을 인간에게 전달할 것입니다 그래서 이것은 또 다른 중요한 포인트입니다

따라서 인공 지능은 과학 프로젝트가 아닙니다 POC가 아닙니다 모든 기업에서 그들이 건설하거나 구매하든 상관 없습니다 네가 충분히 크다면 아마 둘 다 할거야 이것이 우리가 가장 빠르게 증가하는 작업 부하라고 생각하는 이유입니다

행성에 고맙습니다 앤드류 무어 : 정말 고마워요, 마이크 그리고 여기서 더 많은 것을 파고들 수 있습니다 우리가 지금 할 일은 마이크입니다

나는 무대에 앉을거야 그리고 나는 후속 조치를 위해 몇 가지 질문을 할 것입니다 이 세션에서 나온 것들 중 일부는 그러니 의자를 세우십시오 OK 앤드류 무어 : 청중들로부터 몇 표를 얻자

우리가 이것들에 앉아 있어야 할까? 아니면 그 의자에 마이크를두고 그 의자에 저기 있어야합니까? 괜찮아 우리는 지금이 자리에 충실 할 것입니다 괜찮아 그래서 나는 아직도 많은 고객을 찾고 있습니다 교육받을 기회가 있었어

메시지와 함께 나에게 오는 기계 학습과 인공 지능 네가 경고하고 있다고 나는 많은 자료를 가지고있다 앤드류 내가 돈 가방을 줄께 가서 데이터에서 가치를 찾으십시오

그래 앤드류 무어 : 어떻게 대답해야한다고 생각하니? 그 종류의 것들에? 우리는 그 사람들이 좋은 면모를 갖도록 어떻게 도울 수 있습니까? 오, 받아들이는 사람들 죄송 해요

앤드류 무어 : 실제로 그렇지 않은 사람들 그들이 데이터를 가지고 있다는 것 이외의 것을 아십시오 그래 네 그래서, 나는 그것을 많이 설명해야만합니다 권리? AI를들을 때 많은 사람들이 얼어 붙습니다

그래서 우리가하는 일 중 하나는 우리가 말하는 것입니다보세요, AI에는 두 가지 유형이 있습니다 순수 AI가 있습니다 그리고 그것은 Eva와 Ex Machina 또는 다른 SF 영화입니다 당신이 보았을 영화

그건 우리가 말하는 것이 아닙니다 우리는 그 절벽에 있지 않습니다 실제로, 2 년 전에 학문적 인 연구가있었습니다 AI 연구원들을 끌어 냈습니다 그리고 그들은, 언제, 우리는 언제 순수 AI에 도달 할 것이라고 생각하니? 모든 인력의 완전 자동화? 그래서 가장 초기의 것은 50 년 후였습니다

가장 큰 것은 200 년이 넘었습니다 매체는 125 년과 같았다 우리가있는 곳이 아니야 그래서 우리는 실용적인 AI가 있다고 설명했습니다 실용적인 인공 지능은 Google과 같은 범위가 좁습니다

바둑 게임 또는 IBM이 Jeopardy를 수상했습니다 그러나 그것들은 특별히 과제에 대해 훈련을 받았습니다 그것은 인간의 지능을 초과했습니다 하지만 구글, IBM은 손가락을 짤 수 없다

그것은 일반화되지 않았습니다 그것을 즉시 의사에게 넘길 수 있습니다 권리? 따라서 첫 번째 단계는 실용적인 AI가 범위가 훨씬 좁다 그리고 그것은 본질적으로 예측에 관한 것입니다 사람들에게 무엇에 대해 물어보기 시작하면 그들은 예측하기를 원합니다

이제 유스 케이스가 생기기 시작합니다 앤드류 무어 : 네 그건 완벽하게 이해가됩니다 내가 정말로 격려하는 한 가지는 이 잠재 고객을 보는 것은 이 관객의 다양성 한 사회 경제적 그룹에서만 나오는 것이 아닙니다

또는 어떤 종류의 하나의 인구 통계 그래서 저는 이것을 중요한 추세로 봅니다 그리고 저는 어떻게 비즈니스 분석을 통해 AI 프로젝트를 성공적으로 마쳤다면 많은 배경을 가진 사람들이 있습니다 MIKE GUALTIERI : 음, 네 그리고 그것은 저것이 종류의 종류라고 생각합니다

내가 말했듯이 팀 스포츠이기 때문에 당신이 참여하는 것처럼 사업을 참여 시키십시오 모든 프로젝트 비즈니스 및 개발자 그러나 개발자 데이터 과학자가 필요로하는 기술 중 하나 이 물건을 설명 할 수있는 능력입니다 사람들은 기계 학습에 대해 어떻게 알 수 있습니까? 그리고 그들은 마치 나는 코트 레사에 갈 것입니다 아니 그건 당신이 할 수있는 최악의 상황과 같습니다

네가 사업자라면 그렇게해라 그것이 어떻게 작동하는지 들어갈 것입니다 그것은 핵심에 들어가기 시작합니다 그래서 데이터 과학자들이 때때로 설명 할 것이라고 생각합니다 사업 사람들을위한 너무 기술적 인 수준 이해해야합니다

그러나 모든 아이디어가 필요합니다 사람들은 때때로 데이터 과학자라고 말합니다 유니콘이어야 해 정말로 나는 그들이 그것을 이해한다면 실제로 그것을 믿지 않는다

비즈니스 도메인 인 이유는 가치를 창출 할 것이라는 가설이 있어야한다 사업에서 그러나 사업과 주제에 대해 물어볼 수 있습니다 전문가들도 마찬가지입니다 앤드류 무어 : 네

나는 그것이 정말로 도움이된다고 생각한다 그래 앤드루 무어 : 저는 이제 개인적으로 AI의 대다수가 배포 내가 도움이되었을 것입니다 진정한 문제는 변화 관리입니다 조직이 어떻게 다르게 운영 될 것인가

그리고이 기술은 중요합니다 그러나이 모든 것의 보조적인 부분입니다 그래 나는 많은 회사들과 이야기했다 그들은 AI의 윤리, 가양성에 관한 질문, 그리고 그것의 영향

그래서 아무런 문제가없는 다른 모든 문제들이 있습니다 변화에 투입되어야하는 기술과 관련있다 관리 프로세스도 마찬가지입니다 앤드류 무어 : 네 3/4은 기술과 관련이 없다는 데 동의합니다

나는 실제로이 분야에서 천재 대학원 학생들을 격려하고있다 수학을 실제로 본다 이 질문들 뒤에 나는 우리가 할 수 있다고 낙관적이기 때문에 사생활 보호 기계 등의 경우 PII 데이터 전체에서 배울 점을 배우십시오 하지만 누구도 PII 데이터를 공개하지 않아도됩니다

나는 기술이 어떤 경우에도 우리를 도울 것이라고 생각한다 MIKE GUALTIERI : AutoML을 어떻게 생각하십니까? 네가 큰 발표를했기 때문에 시작할거야 테이블과 전체 시장이 있습니다 AutoML을 다른 벤더들과 함께 둘러싼 다 내 말은, 많은 데이터 과학 커뮤니티 그것을 보았고 말했다, 제로 그런, that 's 정말로 일하지 않을 것입니다

내 말은,하지만 지금은 점점 더 커지고있다 데이터 과학자들이 받아 들였습니다 내 말은, 너 그렇게 생각해? 모델 개발을 획기적으로 가속화 할 것인가? 앤드루 무어 : 도움이 될 것 같아요 그리고 우리가 보는 것은 빠른 진입입니다 사람들이 기계 학습을 사용하기 시작하는 경사로

내가 흥분하는 것은 그것이 바로 만드는 것의 일부입니다 더 생산적인 사람들 내 시간과 수십 시간의 시간 수 조정 매개 변수에 사용한 계산 시간 여기 저기에 그건 내가 아침에 침대에서 나를 빠져 나올 때가 아니야 그것은 실제 결과입니다

따라서 AutoML은 처음이자 가장 많이 사용 된 기능입니다 자동화에 대한 계산 효율적인 방법 그 일로부터 지겹다 그러나 우리는 분명히 당신이 보았을 것입니다 우리는 분명히 또한 무겁게 투자하고 있습니다 사람들이 모델을 전개 할 수있는 플랫폼에서, 매우 신중하게 만들어진 크루즈 사람들과 같은 큐레이터

왜냐하면 이러한 많은 응용 프로그램 슈퍼 중요한 될 것입니다 그래 Forrester에서는 실제로 세 가지 세그먼트를 식별합니다 기계 학습 솔루션의 하나는 멀티 모달이라고 부릅니다 그래서 그것들은 9 RapidMiner와 같은 오픈 소스와 같습니다

드래그 앤 드롭 기능이있는 전통적인 도구가 있습니다 그런 다음 우리는 노트북을 기반으로합니다 Jupyter Notebook을 중심으로하는 경우가 많습니다 하지만 작년에이 세 번째 세그먼트를 추가했습니다 너희들이하고 있기 때문에 AutoML을 불렀다

it, DataRobot, H2O 무인 인공 지능 실제로 다른 업체들도 소수에 불과합니다 그러나 기업과의 대화에서의 우리의 결론 그 사람이 다른 사람을 대신 할 수 없다는 것입니다 실제로 세 가지 모두에 대한 유스 케이스가 있음을 조직에있는 사람들의 앤드류 무어 : 아주 좋아요 그래

앤드류 무어 : 프리젠 테이션이 가져다주는 한 가지 우리가 AI 업계와 안정된 국가에 있지 않다는 것입니다 MIKE GUALTIERI : 네 앤드류 무어 : 그리고 밖으로 시작하는 사람들을 위해 업계에서는 종종 질문을 받고, 데이터 과학자가되는 것이 안전할까요? 아니면 그 일이 3 년 안에 끝날 것인가? 나는 수학에 집중해야 하는가? 컴퓨터에 집중해야할까요? 과학이나 컨설팅? 트렌드를 상상할 수 있습니까? 큰 커리어가 될 곳 우리가 진화하는 방향으로 움직이는가? 당신이 데이터 과학자라면 제 말은, 너의 선택을 받아들이라고 말하기 때문에 더 많은 기회가 될 것입니다 그 것들의 그리고 수학

연구 네가 발표 할 때 너는 말하고 있었어 우리가 할 수있는 일에 대해 앤드류 무어 : 네 MIKE GUALTIERI : 흥미 진진한 것들이 많이 있습니다 다른 형태가 있다는 뜻입니다

대부분의 기업이 하기 생성적인 적대적인 네트워크가있다 대부분의 기업은하지 않습니다 그래서 많은 기회가 있습니다 알고리즘 개발에 대한 기본 연구에 착수했다

그러나 Forrester는 대부분의 회사에서 여섯 다스 모델 그게 전부 야 권리? 하지만 우리는 믿습니다 사실, 나중에 보고서가 나옵니다 올해는 1,000 모델 비전이라고 불렀습니다

대기업에는 말 그대로 1,000 개의 모델이 있습니다 사용 사례 앤드류 무어 : 물론 MIKE GUALTIERI : 하나의 유스 케이스에 대한 1,000 가지 모델을 의미하지는 않습니다 하지만 대부분의 [INAUDIBLE]에 1,000 개의 유스 케이스가 포함되어 있습니다

이제 그 중 일부는 사려고합니다 그들이 SAP 샵이라면 SAP가 일하고 있습니다 그들의 프로세스에서 기계 학습을 구축하는쪽으로 오라클 상점이라면 따라서 응용 프로그램 회사도이 작업을 수행하고 있습니다 그래서 그것들은 둘 다 될 것입니다

그래서 저는 개발자와 데이터 과학자들에게 기회가 있다고 생각합니다 있다 AutoML은 많은 기회를 창출하지만 생각합니다 코드를 작성하는 데 익숙한 소프트웨어 개발자에게 적합합니다 앤드류 무어 : 네

MIKE GUALTIERI :하지만 이제 AutoML을 사용하면 피투성이의 세부 사항을 이해할 필요가 없습니다 그리고 그들은 모든 알고리즘을 따라 할 필요가 없습니다 모든 단일 알고리즘을 조정하는 방법 그냥 모두 실행하십시오 기능 엔지니어링에 대해 언급해야 할 것이 있습니다

그것은 또 다른 중요한 것입니다 또한 AutoML은 피쳐 엔지니어링을 자동화합니다 그래서 많은 사람들이이 일에 많은 기회가 있습니다 앤드류 무어 : 네 사실 몇 달이 지나면 나는 점점 더 많은 자동화와 AutoML을 보게 될 것이라고 생각한다

어떻게 이러한 질문에 관해서 누락 된 데이터를 자동으로 처리 할 수 ​​있습니다 당신이 텍스트 문자열 인 것을 처리 할 수있는 방법, 하지만 그것은 지리적 위치를 말하는 것 같습니다 또는 다른 많은 것들 정말 드레 아리 니스를 꺼내는 것입니다 흥미로운 기계 학습을하는 것

글쎄, 그뿐만 아니라, 나는 마이크뿐만 아니라 감사하고 싶다 Jai와 PD는 무엇에 대한 훌륭한 요약을했습니다 인공 지능 배치의 세계에서 계속되고 있습니다 나는 여기에 온 모든 사람들에게 감사 드린다 그리고 나는 분명히 이후에 매달릴거야

누구든지이 토론에서 나에게 후속 조치를 원한다면 고맙습니다 [음악 재생]