How Dialogflow Enterprise Edition Can Transform the Enterprise Contact Center (Cloud Next ’18)

[음악 재생] DAN AHARON : Dialogflow는 대화를 자동화하는 데 도움이되는 도구입니다 일반적으로 세 가지 주요 사용 사례 그룹에 사용할 수 있습니다

고객과 대화하기를 원하는 기업 일 수 있습니다 이러한 대화를 자동화하는 데 도움이됩니다 그것은 고객 서비스 또는 상업 주위에있을 수 있습니다 두 번째는 연결된 장치에 전원을 공급하는 것입니다 그래서 이것은 자동차, 연결된 TV, 지능적으로 사람들과 이야기 할 수있는 해당 장치를 사용하려고합니다

세 번째는 직원을 고용주와 연결하는 것입니다 정보 액세스, 비즈니스 인텔리전스 우리는 오늘의 대부분을 첫 번째 세트에 집중할 것입니다 그러나 많은 도구들이 사용 가능할 것입니다 두 번째와 세 번째 그룹에 유용 할 것입니다

유스 케이스의 경우도 마찬가지입니다 그래서 공간이 아주 흥미 진진합니다 우리는 단지 네 가지 통계를 선택했습니다 여기서 강조 표시합니다 물론 더 많은 것들이 있습니다

고객 상호 작용의 80 %를 해결할 수 있습니다 잘 디자인 된 봇과 그것은 실제로 생각이 바짝 들린다 종류의 자체가 밖으로 본다 내가 제일 좋아하는 것은 바닥에있는 두 사람이다 따라서 왼쪽 하단을 보면 많은 비즈니스가 오늘날 비용 절감을 위해 봇을 사용하기 시작했습니다

사용자와 고객에게 서비스를 제공 할 수 있습니다 보다 효율적으로 그러나 실제로, 설문 조사에서 흥미로운 점은 고객이 실제로 셀프 서비스 도구를 선호하는지 여부 그들은 고객 서비스 개선을 위해 기업이 할 수있는 일에 대해 질문합니다 60 %는 셀프 서비스 도구가 가장 큰 것이라고 말합니다 그들이 할 수있는 일 이러한 모든 고객은 좀 더 나은 셀프 서비스 툴을 원하고 있습니다

하지만 그들은 강요당했습니다 알다시피, 간단한 작업을 위해 상담원과 대화하기 요원들을 정말로 정당화하지 않습니다 그리고 마지막 하나 – 50 %의 기업이 더 많은 돈을 쓸 것입니다 전통적인 모바일 개발보다 봇에서 그것은 2021 년까지 실제로 사실이된다면 기운이 넘칩니다

그래서 그 모든 흥분과 함께, 문제의 종류 오늘날, 가상 에이전트의 대부분은 밖에있는 것은별로 좋지 않습니다 당신이 구글이라면 "왜 봇 봇", "봇 봇 채팅 실패" 바로 나타나는 최고의 결과입니까? 꽤 미쳤어 왜 그런데? 여기 왼쪽에는 예제가 있습니다 친절하게 지어 졌던 모든 로봇이 있습니다 마약 중독의 절정에

많은 회사가 실제로 투자하지 않았습니다 제대로 구축하는 것 그들은 매우 지능적이지 못하며 대화를하게됩니다 깨진 좋은 소식은 Dialogflow를 통해, 정말로 좋은 기회가있다

지능형 로봇을 만드는 것 그래서 일반적으로 작동하는 방식입니다 아키텍처면에서 우리는 고객이 배포하는 것을 보게됩니다 왼쪽에 모든 채널이 있습니다 그래서 그것은 텍스트 채널, 채팅 Facebook Messenger, Google Assistant 또는 웹에서 모바일 앱에서 디지털 음성이 될 수 있습니다

자동차, TV 또는 전화 게이트웨이를 통한 전화 통화 Dialogflow에 와서 대화를합니다 관리 및 자연 언어 이해, 기본적으로 무너 뜨리는 것, 의도와 실체는 무엇인가? 그 자연 언어로? Dialogflow는 구조화 된 정보를 전송합니다 이행 계층으로 Google Cloud가 좋은 장소라고 생각합니다 그 성취 플레이어를 주최합니다

클라우드 기능 또는 Compute Engine에있을 수 있습니다 그러나 당신은 또한 다른 곳에서는 그것을 호스트 할 수 있습니다 당신은 Prem 또는 원하는 곳에 둘 수 있습니다 잠재 고객의 몇 명입니까? 작년 Dialogflow에 관한 세션에서 Google 클라우드의 다음 단계 승인 당신 몇 명

그래서 Google Cloud에서 작년에 우리 세션에서, 나는 우리가 150,000 명의 개발자를 넘었다 고 발표했다 Dialogflow에 대한 오늘 아침에, 우리는 방금 발표했습니다 Dialogflow에 60 만 명이 넘는 개발자가있다 플랫폼, 미친, 맞습니까? 이것은 우리가 그 경계표를 넘은 지 불과 1 년이 넘었습니다

따라서 성장뿐 아니라 가속화되고 있습니다 우리는 그 기세에 대해 매우 흥분하고 있습니다 그런 다음 개발자에게 Dialogflow를 선택하는 이유 – 다른 솔루션이 많이 있기 때문에 오늘 봇 개발을 위해 매우 흥미로운 공간입니다 우리가 시간과 시간을 다시 듣는 대답, 그것은 종소리와 휘파람이 아닙니다 시장에 나와있는 다른 솔루션 종이에 좋게 보이는 것들을 가져라

그러나 하루가 끝나면 가장 중요한 것 우리가 개발자로부터 가장 자주 듣는 자연 언어의 품질, 품질 자연 언어 이해, 기계 Dialogflow가 사용하는 학습은 머리입니다 밖에있는 다른 것보다 어깨가 더 큽니다 그리고 그것은 정말로 차이를 만듭니다, 맞습니까? 네가하고 싶은 것은 네가 그런 것들을 피하고 싶다 권리? 그래서 무엇보다 중요합니다 그렇지 않으면 봇 플랫폼에서 원할 수 있습니다

흥미 진진한 점은 자연어 기술로 인해 우리가 한 해 Apiai 인수에서 왔습니다 그리고 반 전에 그래서 우리를 정말로 흥분하게 만드는 것은 무엇입니까? 우리가 방금 여행을 시작했다는 것입니다 Dialogflow를 개선하는 방법

이제 Google의 일부가되었습니다 Google의 Google은 실제로이 문제를 해결해 왔습니다 자연어 이해가있는 Google 검색, Google과 같은 분야에서 10 년 이상 Assistant, G-mail 스마트 회신, 번역 그리고 우리는 이러한 모든 자산과 기능을 구축했습니다 자연 언어 이해 엔진, 연설 인식, TPUs

그리고 이들 모두는 이제 Dialogflow에서 사용할 수 있습니다 더 나은 도구를 만들 수 있습니다 그리고 이러한 공고들 중 일부는 너 오늘 듣고 싶어하는 건 기본적이야 이 새로운 Google 기술의 결과가 공개됩니다 따라서이 슬라이드 유형을 조합하면 그 점을 망칠 수 있습니다

나를 위해서, 개인적으로, 나는 단지 얼마나 많이 깨달았습니다 우리는 작년에 해왔습니다 꽤 미쳤어 당신이 모든 다른 발사를 보면 세션 이후의 기능 향상 지난 해 Google Cloud Next '17에서 우리는 제품에 많은 것을 추가했습니다 내장 된 분석에서 다국어 지원에 이르기까지, 인라인 코드 편집기, Stackdriver 통합, 버전 관리, 그리고 훨씬 더

그리고 오늘은 다섯 가지 새로운 기능을 발표하게 된 것을 기쁘게 생각합니다 Dialogflow가 엔터프라이즈에 전력을 공급하는 데 정말로 적합합니다 Contact Center 그래서 우리가 많이 들었던 것 아직 관리하기 어려운 몇 가지 사항이 있습니까? 채팅 봇 대화 첫 번째는 봇을 휴대 전화에 연결하는 것입니다

그래서 우리는 오늘 그것에 대해 조금 더 이야기 할 것입니다 우리는 전화 연결을 훨씬 쉽게 할 것입니다 두 번째는 긴 꼬리를 만지는 질문에 대답하는 것입니다 건물 의도 – 시간이 오래 걸립니다 지식 커넥터는 여기에 도움이됩니다

세 번째는 자동 맞춤법 ​​교정입니다 따라서, 아는대로 채팅, 사용자는 자주 오타 나 실수를 범한다 Google 기술을 사용하여이를 해결합니다 내장 된 정서 분석, 우리는 오늘 소개하고 있습니다 원하는 때 이해하는 데 도움이됩니다

인간 대리인으로 전환 할 수 있습니다 그리고 마지막으로 중요한 것은 내장형 텍스트 음성 변환입니다 그것은 또한 우리의 전화 게이트웨이, WaveNet 기술을 기반으로 제작되었습니다 따라서이 슬라이드를 확대 / 축소 해 보겠습니다 꽤 빨리 우리는 데모에 갈 수 있습니다

이 중 일부가 실제로 어떻게 보이는지 보여 드리겠습니다 Google 전화 게이트웨이가 구축되었습니다 Project Fi, Google Voice, 및 Google 행 아웃 그것은 이미 2 천만 개 이상의 전화 번호를 제공하며, 이미 대규모로 운영되고 있습니다 이제 모든 Dialogflow 사용자가 사용할 수 있습니다

상담원에게 전화 번호를 추가 할 수 있습니다 1 분 안에 그리고 그것의 아름다움 – 그것은 모든 기술을 감싸고 있습니다 자동화 된 전화를 걸기 위해 필요한 음성 인식, 자연 언어 이해, 음성 합성, 오 케스트 레이션 모두 Google Cloud에서 처리합니다

지식 커넥터 – 우리는 데모에서 더 깊이 간다 그래서 나는 그것을 건너 뛸 것이다 철자 교정 – 꽤 쉽습니다 그러나 그것은 정말로, 정말로 어렵습니다 맞춤법을 자동화하는 데 도움이되는 것을 만들어야한다면 Dialogflow 용 봇에 대한 수정, 몇 년이나 몇 년이 걸렸을거야

합리적으로 좋은 것을 만드는 것, 그리고 심지어 그 때 그것을 올바르게하는 것은 어렵습니다 운 좋게도, Dialogflow가 이제 Google의 일부이기 때문에, 우리는 몇 가지 도구를 사용할 수있었습니다 Google이 Search와 같은 다른 제품에 사용하는 것 – 그리고 나는 너희들 모두 철자 교정을 사용했다 검색 및 다른 장소에서 이제 Dialogflow를 활용할 수 있습니다

동일한 기능을 제공합니다 그리고 이것은 당신이 여기에서 볼 수있는 것처럼 인 텐트에 모두 적용됩니다 오른쪽에, 엔티티에, 당신은 중간에 볼 수 있습니다 그래서 내장 된 정서 분석 – 고객이 가장 공통적으로 우려하는 점은 OK, 나는 봇을 만들었고, 하지만 최종 사용자 환경이 훌륭하게 유지되도록하려면 어떻게해야합니까? 내장 된 정서 분석을 사용하면 모든 쿼리에 대해 쿼리 스코어가 무엇인지 식별 사용자가 보낸 메시지를 보낸 다음 비즈니스 논리에서이를 사용할 수 있습니다 언제 당신이 인간 대리인으로 전환하고 싶은지 결정할 수 있습니다

마지막으로 중요한 것은 텍스트 음성 변환 DeepMind의 WaveNet에서 제공하는 로봇에 가능한 인간 연설에 가장 가까운 것, 전화 게이트웨이에 둘 다 내장되어 있습니다 Dialogflow에 추가하여 사용할 수 있습니다 IT 및 기타 용도로 그리고 우리가 방금 한 멋진 다른 것 오늘 아침에 디바이스 프로파일을 추가했다고 발표했다 파형의 모양을 실제로 만드는 것입니다

우리의 음성 합성에 대해 다르게 당신이 사용하는 스피커에 따라 전화선으로 재생하면, 우리는 전화에 최적화 된 연설을 만들어 낼 것입니다 대형 스피커에서 재생할 경우, 우리는 큰 연설자에게 적합한 연설을 만들어 낼 것입니다 승인 그럼이 모든 것이 데모에서 어떻게 보이는지 보도록하겠습니다

작년에 있었던 세션에 참석 한 여러분 중 우리가 여기서 한 것은 우리가 무대에 세웠다는 것을 기억할 것입니다 또는 실제로, 모스 콘에서 – 가상의 Google 하드웨어에 대한 채팅을 처리하는 로봇 저장 또한 제품이라는 엔티티가 있습니다 Chromecast, Google 홈, Google Pixel 등이 있습니다 그 다음에는 Intents가 있습니다

하나는 상업용이고 다른 하나는 상업용입니다 예를 들어, 상거래 용 제품을 보면, 제품 주소와 수량이 필요합니다 Chromecast를 구입하고 싶다고 말하면 행동을 "구매 (buy)"로 식별하는 것을 볼 수 있습니다 제품은 Chromecast이지만 거기에 있습니다 수량과 주소가 없습니다

그리고 지금 그것은 묻습니다, 당신은 어떤 주소입니까? 내가 그걸 가져다 줄까? 3 Third Street, San Francisco, California라고 말할 수 있습니다 얼마나 많은 유닛을 원하니? 5 대 그런 다음 작업이 완료되었습니다 3 개의 3 번가로 배송되는 5 개의 Chromecast를 주문하고 있습니다 샌프란시스코, 캘리포니아

전체 JSON이 있습니다 나는이 창문이 보이지 않는 것 같아 좋아, 거기있다 이행 레이어에서 사용할 수있는 전체 JSON이 있습니다 그것에 따라 행동하십시오

이제 내가 할 일은 무엇입니까? 사람들이 물건을 사도록 돕는 것이 아니라, 사람들이 Google 제품에 대해 갖고있는 질문에 대한 답변을 제공합니까? Chromecast FAQ 웹 페이지를 찾아 보겠습니다 그리고 우리는 여기에있는 첫 번째 결과를 선택하려고합니다 이 URL을 가져 와서 복사 한 다음 추가하겠습니다 지식 커넥터로서 따라서 기술 자료를 만들어야합니다

그것을 My Knowledge Base라고 부르 자 그리고 지식을 만들어 보자 목 우리는 상점 FAQ라고 부릅니다 이것은 HTML이 될 것입니다

그것은 FAQ가 될 것입니다 여기에 URL을 붙여 넣습니다 그리고 지금하고있는 일은이 URL로 이동합니다 이 기사 또는 FAQ를 다운로드 중입니다 질문을 거치고 그것을 분류하는 것입니다

그곳에 방금 끝났어 그래서 나는 여러분에게 세부 사항을 잠시 보여줄 것입니다 그러나 기본적으로 정보를 추출했습니다 그리고 나서 우리가하고 싶은 일은 응답을 추가하는 것입니다

따라서 기본 응답은 지식 응답 1입니다 자주 묻는 질문들, 고객이 질문을 할 것입니다 FAQ에서 똑같은 질문을하지 못할 수도 있습니다 당신은 비슷한 것을 가질 수 있습니다 그리고 실제로는 둘 이상이있을 수도 있습니다

비슷한 두세 가지가있을 수 있습니다 그래서 우리가 할 일은 그것을 복사 할 것입니다 예를 들어 페이스 북의 메신저를 선택합시다 사용자가 Facebook Messenger에있는 경우, 그들은 하나 이상의 옵션을 볼 수있는 능력이 있습니다 그럼 여기서 할 일은 우리가 회전 목마에 카드를 추가하는 것입니다

두 가지 다른 대답을 보여줍니다 여기서 질문 1을 사용하고, 여기에서, 질문 2와 대답 2가 될 것입니다 그래서 우리는 우리가 그들과 짝을 이루는 질문을 그들에게 보여줄 것입니다 함께,뿐만 아니라 답변 그래서 그들은 우리가 원하는 것을 알고 있습니다 승인

저장을 클릭하겠습니다 그리고 이제 여러분들은 전체 내용을 보게됩니다 이게 우리가 스캔 한 것을 볼 수 있습니다 그 웹 사이트에서 모든 질문과 모든 대답 그들은 모두 여기있어, 당신은 심지어 그들 중 일부를 해제 할 수 있습니다 당신이 당신의 봇에서 그들을 감추고 싶지 않다면

승인 그래서 돌아 가자 우리는 잠시 후에 그것을 시도 할 것입니다 하지만 내가 너에게 보여주고 싶었던 다른 하나 얘들 아 우리의 새로운 전화 게이트웨이입니다 그래서 여러분은 이것이 새로운 사각형임을 알 수 있습니다

Dialogflow 전화 게이트웨이 (Dialogflow Phone Gateway)가 오늘 아침에 추가되었습니다 그리고 그것이하는 것, 그것은 당신이 새로운 전화선을 추가하게합니다 몇 초 안에 요원에게 그래서 내가해야 할 일은 Dialogflow 전화 게이트웨이를 클릭하고, 그리고 나는 지금 내가 원한다면 지역 번호를 선택한다 나는 이것을 공백으로 남겨 둘 수도 있지만, 나는 오하이오를 선택하고 싶다 다음을 클릭합니다 이제이 번호 중 하나를 선택합니다 나는 Create를 클릭한다

그리고 그것은 끝났습니다 이제이 요원에게 전화 번호가 있습니다 항상 Welcome Intent에서 시작됩니다 그래서 우리는 초반에 Welcome Intent로갑니다 먼저 지식 커넥터를 테스트 해 봅시다

예를 들어 여기에 질문이 있다고 가정 해 봅시다 애플의 AirPlay와 어떻게 다른가요? Dialogflow에서이 질문을 시도해 보겠습니다 작동하는지 봅시다 업데이트하는 데 1 분이 필요합니다 승인

거기는 그래서 똑같은 것을 볼 수 있습니다 기사에서이 전체 응답을 검색합니다 내가 사용하는 단어가 조금이라도 기사와 다르다 그래서 나는 그 질문에 대해 같은 말을 사용하지 않았다

그것과 일치시키는 법을 알고 있습니다 이제는 매우 쉽게 보입니다 매우 쉬운 작업입니다 청중에있는 당신 자연 언어 이해를 조금 해냈습니다 그들은 컴퓨터가 실제로 꽤 어렵다는 것을 알고 있습니다

사물을 맞추는 법 이해하기 자연 언어 에서처럼 당신이 그것을 프로그램 적으로 볼 때 매우 유사한 소리 자, 페이스 북의 메신저에서 살펴 보도록하겠습니다 지금은 두 가지 질문이 있습니다 여기 리모콘에 대해서 별도의 리모콘이 필요합니까? 볼륨과 다른 것들을 위해서? 실제 리모컨으로 Chromecast를 사용할 수 있나요? 내가 묻는다면, 어떻게 리모컨이 작동하는지, 그것은 그 질문들 중 어느 하나와 조화 될 수 있으며, 그래서 업데이트가 필요합니다

승인 그래서 당신은 그것들이 그 두 질문들 모두와 일치한다는 것을 볼 수 있습니다, 그래서 그것들은 둘 다 작동 함을 감지합니다 자, 이것은 정말로 정말로 어렵습니다 기억하십시오 이것은 우리가 사용하고있는 것과 동일한 에이전트입니다

과학 기술 따라서 Chromecast를 구입하고 싶다고 말하면 상거래 조치를 처리해야합니다 우리가 제공 한 FAQ뿐만 아니라, 각각을 언제 사용해야하는지 알 수 있습니다 그래서 그것은 사소한 것이 아니며 많은 것이 있습니다 자연스러운 언어 작업이 뒤에서 일어나고 있습니다

그럼 우리의 전화 데모에서 모두 함께 보자 전화 번호입니다 나는 그것을 시험해 볼 것이다 이제 음성 인식 데모는 항상 위험합니다 그래서 여기 나와 함께 곰

바라기를 이것은 잘 될 것입니다 나는 스피커폰으로 시도 할 것이지만, 이것은 최고가 아니다 그러나 보자 승인 그래서 이것이 효과가 있다면 무엇을해야할까요? 우리의 환영의 의도로 가야합니다

우리는 Welcome Intent에서 읽은 것을 읽습니다 해보자 PHONE BOT 1 : – Dialogflow 전화 데모 오늘 어떻게 도와 드릴까요? 새로운 Google 제품을 주문하거나 서비스를 요청할 수 있습니다 기존의 것들에

DAN AHARON : Chromecast의 다른 점은 무엇인가요? Apple AirPlay? PHONE BOT 1 : 대부분의 경우 AirPlay 비디오 또는 오디오를 직접 전송하여 작동합니다 Wi-Fi를 통해 iOS 기기에서 TV로 전송할 수 있습니다 iPhone 또는 iPad가 남아 있어야합니다 단 아론 : 당신이 듣고있는 모든 것 이제 Dialogflow 또는 아무것도 입력되지 않았습니다 임의의 기사에서 자동으로 처리되었습니다

누군가 인터넷에서 썼다 PHONE BOT 1 : – 텔레비전에, 인터넷에서 바로 스트리밍을 시작합니다 [박수 갈채] 단 아론 : 감사합니다 PHONE BOT 1 : 실제 내용을 전송합니다 AirPlay에 이점이 있다면, 그것은 – DAN AHARON : 일반적인 의도가 여전히 작동하는지 확인해 봅시다

PHONE BOT 1 :하지만 이것도되고있다 차별화 요소가 적다 단 아론 : 긴 대답입니다 네 Google 픽셀을 몇 개 구입할 수 있습니까? 전화 번호 BOT 1 : 어떤 주소로 보내 주시겠습니까? 단 아론 (DAN AHARON) : 3 Seventh Street, 뉴욕, 뉴욕

PHONE BOT 1 : 몇 대를 원하십니까? 단 아론 : 세븐 전화 BOT 1 : Google Pixel 7 대 주문 및 배송 3 일곱 번째 거리, 뉴욕, 뉴욕 [박수 갈채] 단 아론 : 그래서 저는 그 모든 것을 강조하고 싶습니다 설정이 정말 간단 해 보였습니다 1 분 안에 할 수있었습니다

그 중 일부는 다른 서비스와 함께 할 수 있으며, 그러나 오늘날 시장에 나와있는 다른 서비스 전화 게이트웨이를 설정해야합니다 설정하는데 아마도 몇 시간이 걸릴 겁니다 모든 것이 관련되어 있고, 얼마나 많은 것을 알고 있는지 그것을 지불 할 필요가있다 그런 다음 관련 봇에 연결해야합니다 서비스

그리고 지식 서비스를 설정하려면, 별도로 설정해야합니다 그리고 당신은 얼마나 많은 종류의 기가 바이트를 알아 내야합니다 대신에 서버 기반이기 때문에 필요합니다 서버가없는 것 그런 다음이 모든 구성 요소를 연결해야합니다

많은 코딩 작업을 수행해야합니다 우리는 기본적으로 모두 0으로 코딩했습니다 1 분 안에, 당신은 전화기에서 작동하는 완전 자동 로봇의 종류 그래서 우리는 이것에 매우 흥분하고 있습니다 너희들 모두가 그걸로 무엇을하는지보기 위해 기다릴 수 없다

고맙습니다 [박수 갈채] 그래서 그 일로 Tariq를 초대하겠습니다 TARIQ EL-KHATIB : 안녕하세요 나는 타리크 엘 카팁이다 저는 Ticketmaster의 제품 관리자입니다

글로벌 컨택 센터 및 기술 부서 내에서 이미 모르는 경우 Ticketmaster가 티켓을 판매합니다 많은 표 2017 년 Ticketmaster는 2 억 9200 만 티켓을 판매했습니다 그 중 2 %는 전화로 받았다 우리의 연락 센터를 통해

따라서 우리가 연간 수백만 건의 전화를받는다고 말하는 것이 안전합니다 Ticketmaster는 Live Nation Entertainment의 사업부입니다 이 때문에 우리는 많은 수의 모든 유형의 이벤트에 대한 호출이 있습니다 그래서 일반적인 질문들 또는 티켓 질문, 예를 들면, 나는 티켓을 잃어 버렸습니다 또는 내 티켓을 인쇄하려면 어떻게해야합니까? 우리는 일반적인 질문으로 분류하고, 이벤트 및 장소 특정, 예 : 윌리 필드 (Wrigley Field)의 박스 오피스 전화는 어디에서 찾을 수 있습니까? 또는 Paradiso Festival의 캠핑 구역은 얼마나 큰가요? 뛰어 들어가서 어떻게 보이기 전에 우리는 Dialogflow와 Knowledge Base를 사용하고 있습니다

고객 서비스 IVR에 통합 된 커넥터, 나는 가서 너를 보여주고 싶었다 정말 충격을 강조한 두 개의 슬라이드 Dialogflow와 같은 NLP가 판매 IVR에 적용될 수 있습니다 그래서 여기 Dan의 성적표가 Ticketmaster를 호출합니다 판매 IVR 10 년 전에 지어진 음성 인식 IVR입니다

그 당시, 그것은 라인의 상단이었다 그러나이 기술은 짧은 구절을 요구했습니다 의도 나 실체 추출을하지 않았습니다 그래서 Dan 이야기와 시스템 이해 사이에서, 10 번의 시도가 필요합니다 하나는 시스템에 대한 인식을 놓쳤다

댄이 사고 싶어한다는 것을 이해하기 San에있는 Chainsmokers를 볼 수있는 두 장의 티켓 5 월 5 일에 시스코 이제 NLP로 어떻게 보이는지 보겠습니다 Dialogflow와 마찬가지로이 작업은 하나의 작업으로 완료 될 수 있습니다 두 개의 거래로 이것은 분명히 고객 경험에서 상당히 업그레이드 된 것입니다 또는 사용자 경험이 있지만 시스템도 각 프롬프트를 통해 고객을 안내 할 수있는 유연성 그들이 여전히 선호한다면

괜찮아 이제 저는 우리의 통합에 뛰어 들어갈 것입니다 우리의 고객 서비스 IVR 두 번 전화 할게 이 첫 번째 호출은 공통 티켓으로 분류 할 것입니다

유형 전화 몇 개월 전, 나 양키스에 티켓을 샀다 지금 이틀 안에 일어나고 있어요 나는 아직도 나의 실제 티켓을받지 못했다 TARIQ EL-KHATIB : 발신자가 전화를 걸고 말하는 중입니다

그들은 양키스 티켓을받지 못했다 이 녹음은 캡쳐 된 후 코딩되어 우리의 의도로 전송됩니다 서비스 Intent Service에는 복잡한 비즈니스 규칙이 많이 있습니다 그러면 외부 프록시에 연결됩니다

모든 사이의 트래픽 라우터 역할을하는 Google의 외부 서비스에 대한 정보를 제공하며 해당 API를 모두 번역합니다 피드 백을위한 일반 API 로의 트래픽 인 텐트 서비스에 저장합니다 그래서 일단 호출이 외부 프록시에 도달하면, Dialogflow로 바로 전송됩니다 오른쪽의 주요 NLP 인 상담원 1, 수신되지 않은 티켓의 의도를 유발하는 스포츠 팀의 실체 인 양키스와 그 정보는 파이프 라인을 통해 다시 전송됩니다 외부 프록시로, 인 텐트 서비스로 돌아 간다

인 텐트 서비스에서 그 의도에 기반하여 트리거되는 규칙 랜드 마크 프롬프트를 재생합니다 티켓을 찾는 데 도움이 될 수 있습니다 그리고 나서 양키스의 실체를 바탕으로 및 고객의 착신 전화 번호, 이 고객에게 모바일 티켓이 있음을 알 수 있습니다 주문하고 알려주고, 티켓처럼 보인다 Ticketmaster 모바일 앱에서 바로 사용할 수 있습니다

이제 저는 앞으로 나아가서 더 많은 행사를 보여 드리겠습니다 특정 질문 전화 통화 중 이었어 나는 일반적인 질문이있다 이 캠핑 공간이 얼마나 클지에 대한 아이디어를 얻으려고합니다

파라디소 페스티발에서의 일반적인 크기 TARIQ EL-KHATIB : 그래서 문제는, 얼마나 큰 캠핑의 영역입니다 Paradiso Festival의 공간? 전화 한 것과 마찬가지로 녹음 캡쳐되어 코딩 된 다음 전송됩니다 인 텐트 서비스와 외부 프록시로 그런 다음 주요 NLP 인 동일한 상담원 1을 공격합니다 그것이 우리가 레이블링 한 의도를 유발하는 곳입니다 이벤트 및 장소 특정 질문으로, 또한 Paradiso Festival의 단체를 산출합니다

그러면 그 정보는 다시 라우팅됩니다 파이프 라인을 통해 의도에 대한 규칙을 트리거합니다 재 처리 할 외부 프록시에 알리는 서비스 첫 번째 호출과 동일한 문자로 된 텍스트, 그러나 이번에는 Paradiso의 실체에 근거하여, 지식과 관련된 이벤트 인 에이전트에 명중 베이스 커넥터는 파라디소 축제 FAQ에 묶여 있습니다 그래서, 그 대답은 FAQ 사이트에서 검색 한 다음, 파이프 라인을 통해 간다 고객이 캠핑을 듣는 곳 파라디소 페스티발 (Paradiso Festival) 지역은 25 피트 (15 피트) 한 대의 차와 한 개의 텐트에 적합합니다

그래서 앞으로 어떻게 보이는지 보여 드리겠습니다 뒤쪽 끝 에서처럼 그래서, 바로 여기에 인코딩 된 녹음이 있습니다 계속 시도해보십시오 그래서 지금은 전체 여행을하고 있습니다

인 텐트 서비스를 통해 외부 프록시 인 Dialogflow, 그리고 뒤로 그런 다음 결과가 있습니다 우리가 보았 듯이 오류는 없습니다 좋습니다 그 전화의 실제 사본 – 발신자에게 일반적인 질문이 있습니다

그런 다음 의도가 올바르게 식별됩니다 축제와 관련된 이벤트 장소로 파라디소 축제의 이름 또한 여기 아래에 추가 데이터가 표시됩니다 추가 된 비즈니스 로직, 랜드 마크 및 확인 메시지와 같은 또는 특정 행동이 필요한 경우 이 의도 유형의 그래서 그것이 실제로 가고 타격을 부르는 두 번째 통화 기술 자료 커넥터는 뭔가 있습니다 우리는 현재 개발 중이다

그래서이 데모의 목적을 위해, 나는 택배 비둘기처럼 행동 할거야 그 모습을 보여주세요 이제 그 질문을 볼 수 있습니다 일반적인 서 캠핑 사이트로 반환 된 것은 약 15 텐트와 차량을위한 충분한 25 피트 그래서 실제로 이러한 이벤트 및 장소에 응답 할 수 있습니다

우리의 셀프 서비스 IVR (Self-Service IVR) 이전에 에이전트로 경로를 지정해야합니다 이제 우리의 주요 테이크 아웃과 수업이 있습니다 배웠다 다양한 잠재적 인 의도로, 당신은 정말로 여러 에이전트와 지식의 사용을 고려해야합니다 기지

이것은 매우 관련이있는 의도에 도움이 될 수 있습니다 그러나 여전히 다소 다릅니다 또한 외부 프록시 생성을 고려하십시오 제품 및 기능의 확장 성을위한 일반적인 API를 제공합니다 그래서 우리가이 외부 프록시를 만들었을 때, 내 미래 로드맵의 일부에는 정서가 담겨있었습니다

분석기가 있지만 Google이 Dialogflow에 포함 시키십시오 그래서 적어도 지금은 능력이 있습니다 인공 지능의 다른 발전 시스템과 쉽게 통합 할 수 있습니다 다음은 대화 문제입니다 사용자의 신발에 몸을 담그고, 다음 질문이 무엇인지 예상하십시오

특히 IVR의 경우 이전의 딱딱한 IVR을 파괴해야합니다 습관을 촉발시켰다 그것들은 대화식이 아니므로,이 서비스는 오직 좋은 것입니다 노력과 대화로서 당신이 실제로 그걸 넣었습니다 마지막으로, AI로 크게 생각하십시오

매일 우리는 AI 공간에서 새로운 진보를 봅니다 예를 들어 방금 연결 한 전화 커넥터를보고 이론에 따르면 오늘 우리는 모든 주요 이벤트에 대해 고유 한 IVR을 만드는 데 활용하십시오 우리는 심지어 모든 주요 장소를 가지고 있습니다 따라서 귀하의 일상적인 사업을 기반으로, 당신은 정말로이 새로운 인공 지능 진보는 실제로 비즈니스에 영향을 미칠 수 있습니다 그래서 그것으로, 나는 그것을 건네 주겠다

마크와 스펜서를위한 Akash [박수 갈채] AKASH PARMAR : 안녕하세요 나는 Akash Parmar입니다 Marks and Spencer의 엔터프라이즈 아키텍트입니다 Marks와 Spencer에 대해 들어 본 적이없는 사람은 누구입니까? 우수한

너를위한 슬라이드 1884 년에 설립되어 1,500 개의 점포가 있으며, 우리는 81,000 명의 직원, 3 천 2 백만 명의 고객을 보유하고 있습니다 온 세계에 가장 유명한 브랜드 중 하나입니다 그리고 그것은 매우 인기있는 영국의 가구 이름입니다

그리고 Marks and Spencer가 얼마나 중요한지 강조하기 위해 고객에게 영국 여성 3 명 중 1 명 M & S에서 브래지어를 사다가 매분 45 대를 팔고 있습니다 우리의 컨택 센터에 관해서, 우리는 음성, 채팅, 및 전자 우편, 그리고 그것은 [? 1,500?]의 고문 그리고 우리 가게 직원들도 마찬가지입니다 그래서 우리의 리더십 팀은 우리에게 도전을했습니다 우리가 이해하도록 요청 받았던 곳 우리의 고객은 더 낫다 우리는 더 많은 셀프 서비스 옵션을 제공하도록 요청 받았고, 우리는 또한 비용을 절감하도록 요청 받았다

그리고 그것을 달성하기 위해 우리가해야 할 첫 번째 일은 우리의 엄격한 DTMF IVR을 제거하는 것이 었습니다 우리는 그것을 자연 언어 기반으로 대체했습니다 해결책은 매우 개방적이다 어떻게 우리가 너를 도울 수 있을까? 고객의 반응은 Dialogflow에 소화되어 다시 올 것이다 행동 가능한 의도로 이 솔루션은 깊은 해결책이 아닙니다

Dialogflow의 깊이로 들어가는 미래의 우리의 열망 그러나 널리 구현 된 솔루션입니다 우리 조직 전체에 그리고이 플랫폼은 1,200 만 건의 전화를받습니다 향후 12 개월 동안 이것은 약 100 명의 직원을 해방시킨 것입니다

그냥 전화를 걸고 전화를 옮기는 데 바빴다 실제로 이러한 전화를 처리하지 않고 매장 현장에 있어야합니다 걷고있는 고객과 실제로 협력합니다 우리 상점에서 그리고 밖으로 옆에서 볼 수 있듯이, 내 상사 그것을 고객 서비스 천국의 계단이라고 부릅니다

우리는 여전히 2 단계에 있으므로, 갈 길이 멀다 현재 솔루션에 대한 간략한 설명 – 내가 할 일 나는 무엇을 할 수있는 경험을주기 위해 전화를 걸도록 노력할 것인가? 처럼 들린다 PHONE BOT 2 : M & S에 오신 것을 환영합니다 다만 아시다시피, 우리는 훈련에 도움을 청합니다 우리가 당신을 돕기에 가장 좋은 사람에게 데려다 줄 수 있도록, 제발, 몇 마디로 말해 줄 수 있니? 왜 오늘 전화하고 있니? AKASH PARMAR : 나는 파란 셔츠를 사고 싶다

[전화 거는 중] 전화 번호 2 : 우리는 정말로 알고 싶습니다 오늘받은 서비스에 대해 어떻게 생각하세요 AKASH PARMAR : 그렇게 부름 – 그렇다면 그냥 흐름으로 간다 무슨 일이 있었는지, 나는 전화를했다 Twilio 플랫폼에 들어갔다

전화에 응답하고, 우리의 응용 프로그램을 호출합니다 우리의 안전한 환경에 있습니다 신청서에, 우리가 어떻게 당신을 도울 수 있을까요? 고객은 파란색 셔츠를 사고 싶다고 말했습니다 그런 다음 Google의 Speech API를 사용하여 연설을 변환했습니다 텍스트로

이 텍스트는 우리의 응용 프로그램으로 되돌려 보내졌습니다 Dialogflow를 가로 질러 Dialogflow는 의도와 함께 돌아 왔습니다 우리는 그 의도를 사용하여 전화를 우리 연락처로 연결합니다 센터

그래서 그것이 오늘날의 모습입니다 Twilio와 Dialogflow 간의 파트너십 훨씬 더 간단해질 것입니다 6 개월에서 8 개월 전에이 제휴 관계가 있었 더라면 좋겠습니다 그것은 내 인생을 훨씬 쉽게 만들 것이지만 지금은 여기 있습니다 저는 그것이 아주 좋은 기회라고 생각합니다

이제 Twilio가 직접 통합 할 것입니다 Dialogflow와 함께 따라서 발언이나 본문으로 돌아 오는 것보다, 그것은 의도와 함께 실제로 돌아올 것입니다 그리고 조직은 그 의도에 대해 매우 행동 할 수 있습니다 매우 빠르게

그래서 그것은, A, 일을 더 빠르게 만들 것입니다 그리고 B는 더 빨리 실험을하는 데 도움이 될 것입니다 매우 흥미로운 기회입니다이 파트너십 Dialogflow와 Twilio 사이 이것이 현재의 대시 보드입니다

어떻게 생겼습니까? 라이브 대시 보드로 건너 뛸 수 있는지 알아 봅니다 그리고, 잘하면, 우리는 방금 내가 한 호출을 발견 할 것입니다 기본적으로 대시 보드는 우리가 얼마나 많은 전화를 받고 있는지에 대한 간단한 견해입니다 우리의 상위 10 가지 의도는 무엇이며, 오늘 날짜는 무엇입니까? 오, 내 파란 셔츠, 그들은 거기에있다 그래서 최고의 전화 – 그게 내 전화 야

그래서 나는 파란색 셔츠를 사고 싶다 이렇게 아주 명확하게, 너는 볼 수 있는다, 들어오는 부름 발화가 매우 정확하게 전사되었다 Google Speech API 제공 Dialogflow에갔습니다

Dialogflow는 주문 전화라고 말하면서, 우리는 우리가 판매 팀에 그것을 보낼 것이라고 말했다 그들은 명령을받을 수 있습니다 내가 빼앗을 중요한 두 가지 또는 우리가 달성 한 – Dialogflow와 같은 도구는 너무 단순하여 비즈니스 사용자가 사용합니다 그래서 첫날부터, 그들은 하나였습니다 누가 그것을 지었고, 요원을 훈련 시켰고, 그들은 며칠 내에 그것을했습니다

우리는 현재 우리의 의도에 대해 90 %의 정확도를 달성합니다 우리가하지 못한 두 번째 이점 우리가이 여정의 시작에 도착할 것임을 깨달으십시오 우리가 지금 조언자에게 채우기를 요청할 수 있다는 사실이 어떤 이유로 든 연락 할 수 있습니다 고문이 우리에게 말하기보다는 그 사람들이 그 부름에 대해 생각한 것, 우리는 실제로 고객이 그렇게하도록했습니다 고객이 원했던 것입니다

그들 자신의 말로, 우리는 그 때 그것을 우리의 이유로 사용합니다 연락 그리고 그것은 저장됩니다 [10 초마다] [? AHT ?] Dialogflow를 통해 큰 계획을 세웠습니다 이제 우리는 더 깊게 시작하겠습니다

달성하고자하는 첫 번째 일 엔드 – 투 – 엔드 대화 형 주문 이행 여정입니다 따라서 고객 식별, 백엔드 통합, 또한 지불합니다 그래서 그것은 우리의 큰 열망입니다 우리는 또한 어떤 종류의 약속 예약에도 사용하기를 원합니다 체계

그래서 우리는 브래지어 피팅 주위에 많은 전화를받습니다 우리 가게의 약속 그래서 우리는 그것을 자동화하고 싶습니다 우리는 나가서 가정용 장치를 사용하고 싶습니다 우리는 M & S에서 10 파운드의 식사를 제공합니다

매우 인기가 많습니다 그래서 Google 홈, Alexa는 고객이 사용할 수 있습니다 우리가 제안을 진행하고 있는지 여부를 알아 내야합니다 그렇다면이게 뭐야? 꽃 주문과 같은 복잡한 여행도 있습니다 M & S를위한 매우 큰 사업이며, 복잡한 여행 이었기 때문에 꽃을 주문할 많은 이유가있을 수 있습니다

행복하고, 슬프다 그래서 감정이 터지게된다 그래서 그것은 우리가 가고 싶어하는 여행입니다 주요 도전 과제 – 하나의 도전 과제 우리는 Dialogflow를 개별적으로 통합해야했습니다 이제는 파트너쉽을 잃을거야

Dialogflow와 Twilio 사이 이것이 바로 올바른 방향으로 나아가는 단계입니다 빠르게 실험 해보지 만, 생산할 수 없다면 상금은 없습니다 이러한 도구와 기술을 모두 갖춘 것은 대단합니다 그러나 우리가 그들을 생산하고 보낼 수 없다면 고객이 전화를 걸면 아무 소용이 없습니다

우리는 내부 통제 문제에 대해서도 알고 있어야합니다 그래서 우리를 데려 오기까지 5 주가 걸렸습니다 우리 첫 번째 [? MVP,?]하지만 생산에 5 개월이 걸렸습니다 그것 그래서 조달, 법률, 금융, 당신 당신이 여행을 떠나지 않도록해야합니다

아주 처음부터 그렇지 않으면 많은 차단기를 때릴 것입니다 올바른 태도의 마른 팀을 갖기 그래서 내 생각에는 관객 인 Chris McGraw가 "귀하의 실수에서 배우십시오"라는 문구를 사용합니다 매우 진지하게, 그는 매주 다섯 번의 실수를 저 지르지 않으면 화가납니다

그래서 그것이 우리가하는 일입니다 우리는 실수를 저지르고 실수로부터 배웁니다 지금까지 우리를 위해 일해 왔습니다 올바른 기술 파트너를 확보하십시오 우리는 Twilio와 Google에서 그렇게했습니다

Twilio는 초기 구현에서 우리와 모든 단계에있었습니다 이 플랫폼의 잠재력을 인식하는 데 도움이되었습니다 그리고 그 점에 대해 감사드립니다 Google Speech API의 정확성, Dialogflow의 정확성 우리에게 사업으로 돌아가서 그들에게 이야기 할 자신감을주었습니다 이것은 분명히 효과가있는 것입니다

그것은 하나의 질문이 아닙니다 우리는 그것이 작동 할 것이라는 것을 알고, 거기에갔습니다 자신감을 가지고 내부 리소스가없는 파트너 우리에게는 개발 팀이 없었습니다

그러나 우리는 빨리 움직이기를 원했습니다 그래서 우리는 한 회사와 파트너 관계를 맺었습니다 DVELP (CEO 인 Tom Mullen)도 관객입니다 따라서 중요한 메시지는 다음과 같은 경우에 올바른 팀을 찾아야합니다 너는이 여정을 시작했다

또한 기술 환경이 빠르게 변하고 있습니다 당신이 당신의 건축인지 확인해야합니다 귀하의 응용 프로그램에 열려 있습니다 매일 새로운 일이 일어나고 있습니다 그리고 우리는 매우 빠르게 적응해야합니다

결론적으로 Dialogflow 가상 에이전트는 연락 센터에 도움을 줍니까? Marks and Spencer의 우리는 분명히 예 캠프에 있습니다 고맙습니다 나는 자레드에게 그것을 지금 전달할 것이다 [박수 갈채] 조종 무어 : 감사합니다, Akash 안녕 모두들

그러니 손을 빠르게 보여 드리겠습니다 몇 분 전에 Home Depot에 가본 적이 있습니까? 굉장해 예 그래서 당신이 알고 있지 않은 경우, 우리는 세계에서 가장 큰 주택 개선 소매 업체 우리는 400,000 명 이상의 직원과 2,000 개 이상의 매장을 보유하고 있습니다

미국, 캐나다 및 멕시코 전역에 걸쳐 그리고 우리는 또한 세계에서 가장 큰 전자 상거래 웹 사이트 그래서 오늘 제가 할 일은 그런데 제 이름은 Jared Moore입니다

나는 음성 및 대화 검색 팀 출신이다 at Home Depot 그리고 우리는 당신에게 새로운 기능을 보여줄 것입니다 우리의 홈 디포 응용 프로그램에서 사용할 수 있습니다 그래서 지금 당신에게 보여주고있는 것은 베타 앱입니다

실제로이 기능을 사용하고 있다는 말을 들었습니다 또는 Android 앱을 사용 중이며 라이브로 제공 될 예정입니다 iOS 앱으로 곧 출시 될 예정입니다 그래서 여러분 모두가 이미 그것을 가지고 있지 않다면, 우리 앱의 최신 업데이트를 다운로드하고, 이야기를 끝내고 시험해보십시오 그래서 우리가 개발 한 것은 새로운 버전의 음성 ​​검색입니다

이제 마이크 버튼을 누르면됩니다 망치를 찾고 있어요 그리고 그것은 여전히 ​​효과가있었습니다 그래서 Dialogflow는 실제로 제가 Dialogflow를 통해 찾고 망치입니다 우리는 실제로 "나는 망치를 찾고있어

" 가서 그걸 우리를위한 검색 창에 넣으세요 그리고 앞으로도 우리는 Dialogflow를 사용하여 오디오 응답을 확인하는 방법 우리가 찾고있는 것을 사용자에게 실제로 그들이 원하는 것을 찾고 있습니다 시원한 그럼 우리가 어떻게했을까요? 그래서 우리는 이것을 가능하게하기 위해 5 층 아키텍처를 설계했습니다 첫 번째 레이어는 매우 간단합니다

그것은 단지 클라이언트 일 뿐이므로 고객이나 동료와 관련된 모든 것 얘기 할거야 그런 다음 클라이언트는 프록시 계층에 연결합니다 그래서 우리가 선택적 레이어를 원한다면 인증을하기 위해 우리는 그것을 인증에 추가합니다 그리고 진짜 지능은 우리가 의도 층에 갈 때 이것은 Dialogflow이며 자동 음성을 제공합니다 인식, 본 것처럼, 의도 일치 앞으로 TTS가 될 것입니다

그러면 Dialogflow가 라우팅 레이어로 이동합니다 우리가 알아챈 것은, 내가 말하면 나는 내 휴대폰 망치를 찾고 있는데, 데스크톱 사이트, Google 홈, 무슨 일이 있어도, 나는 뭔가를 찾고 있어요 그리고 네가 나에게 반응하는 방식 어떤 채널에 따라 다를 수 있습니다 나는 너에게 말하고있다 그러나 무엇과 상관없이, 그것은 같은 의도입니다

따라서 우리는 모든 것을 라우팅 레이어로 라우팅합니다 클라이언트가있는 위치를 기반으로 라우팅합니다 따라서 데스크톱 사이트와 통화하는 경우, 우리는 구체적으로 응답을받을 것입니다 데스크탑 백엔드 용 괜찮아

그래서 우리의 예에서는 망치에 대한 페이지를 보여주었습니다 하지만 Google 홈에 있다면 그러면 우리는 실제로 당신에게 페이지를 보여줄 수 없었습니다 그래서 우리는 그 사건에 대해 다른 반응을 보일 것입니다 우리는 여기서 그것을 처리 할 수 ​​있기를 원합니다 괜찮아

그래서 이것을 세 가지 주요한 것들로 좁혀 야한다면 내가 먼저 말한 것처럼, 우선 집중해야한다고, 의도와 행동을 분리하십시오 당신은 그 의도가 꽤 많이 가고 있음을 실제로 볼 것입니다 어디 있든 상관 없습니다 뭔가를 찾고 싶다면, 네가 뭘하든간에 똑같은 방식으로 말할거야 당신에게 말하기를 원하는 방식으로 바뀔 수 있습니다

다음은 분명히 아키텍처를 설계하는 것입니다 모든 유스 케이스에 대해 그리고 이전 슬라이드에서 볼 수있는 것에서부터, 아키텍처를 쉽게 확장 할 수 있습니다 점점 더 많은 고객을 추가 할 수 있습니다 그리고 그것은 우리가되고 싶었던 것입니다

우리가 몇 달 동안 갇혀 있지 않도록 할 수 있었다 우리가 추가하고 싶었던 새로운 채널이 생길 때 길 아래로, 그런 다음 우리는 솔루션을 완전히 다시 설계해야했습니다 그것을 지원하기 위해서 마지막으로 팀 간 공유 코드가 있습니다 따라서 마지막 레이어 인 액션 레이어를 보면, 우리는 실제로 모든 코드를 내 보냅니다

모든 기능이 Google Cloud 기능에 있으므로 모든 기능이 노드에 있습니다 모든 코드를 내부 NPM 저장소로 내 보냅니다 그리고 나서 우리는 – 다른 채널은 그 코드를 가져올 수 있습니다 채널에 3 줄의 코드를 추가하고, 그리고 나서 그들은 똑같은 경험을 할 수 있습니다 서로 다른 두 채널에서 그래서 그것은 하나의 큰 테이크 아웃입니다

그리고 그것은 모두에게 많은 시간을 절약 할 것입니다 권리? 그럼 우리는 다음에 어디로 갈 건데? 우선, 우리는 우리가 할 수있는 것을보고 싶다 Knowledge Connectors로 할 수 있습니다 나는 약간의 시간을 가지고 놀았으며, 매우 쉽고 빠르게 설정하는 것처럼 보였습니다 우리는 생산을 위해 무엇을 할 수 있는지보고 싶습니다

미래에 또한 우리는 새로운 의도를 가능하게하는 방법을 찾고자합니다 내 주문이 어디 있는지, 쇼핑 목록에 추가, 또는 상점 내부의 제품을 찾는 것 또한 새로운 채널을 찾고 있습니다 IVR 시스템 및 Google 홈과 마찬가지로 [음악 재생]

Cloud TPUs (TensorFlow @ O’Reilly AI Conference, San Francisco ’18)

FRANK CHEN : 안녕하세요 나는 프랭크 야

그리고 TensorFlow에서 일하는 Google Brain 팀에서 일합니다 그리고 오늘이 말씀의 첫 부분을 위해, 나는 기계 학습을 가속화하는 것에 관해 당신과 이야기 할 것입니다 Google 클라우드 TPU로 따라서 동기 부여 질문은 Google이 촉진제를 만드는가? 나는 항상 이것을 예측하는 것을 주저한다 그러나 데이터를 살펴보면, 이것은 – 무어의 법칙의 끝은 계속되고있다 우리가 실제로 볼 수없는 지난 10 년 또는 15 년 동안 단일 스레드 성능이 전년 대비 52 % 증가했습니다

우리는 1980 년대 후반부터 2000 년대 초반까지 더 이상, 이제는 단일 스레드 성능 CPU의 경우 실제로 3 % 또는 5 %의 속도로 성장하고 있습니다 연간 그래서 이것이 의미하는 바는 내가 할 수없는 것입니다 내 기계 학습 모델로 18 개월을 기다려라 두 배 빨리 훈련

더 이상 작동하지 않습니다 동시에 조직은 이전보다 더 많은 데이터를 처리 할 수 ​​있습니다 수백, 수백 개의 사람들이 업로드하고 있습니다 YouTube에 매분 1 시간 분량의 동영상을 제공합니다 사람들은 Amazon에서 제품 리뷰를 남기고 있습니다

사람들은 WhatsApp와 같은 채팅 시스템을 사용하고 있습니다 사람들은 개인적인 도움에 대해 이야기하고 있습니다 등등 그 어느 때보 다 많은 데이터가 생성됩니다 그리고 조직은 실제로는 아닙니다

그것들을 적절히 사용하는 것을 이해할 수 있도록 준비되어 있습니다 그리고 세 번째 스레드는 동시에, 우리는 이런 종류의 지수 증가를 가지고 있습니다 이러한 기계 학습에 필요한 계산량 모델 이것은 OpenAI의 매우 흥미로운 블로그 게시물입니다 2012 년 말, 우리가 방금 한 곳에서 – 깊은 학습이 처음으로 유용하게 사용되었습니다

우리는 AlexNet과 비슷합니다 상당량의 컴퓨팅 파워를 사용하는 드롭 아웃 (Dropout) 하지만 그다지 2017 년 말에 비해 DeepMind는 AlphaGo Zero와 AlphaGo를 발표했습니다 알파 제로 (Alpha Zero) 논문에서 우리는 약 6 년, 7 년 후, 우리는 연산 요구가 30 만 배 증가하는 것을 봅니다 그래서 이것은 기업들에게 엄청난 부담이됩니다 인프라를 계산합니다

그렇다면이게 무슨 의미일까요? 무어의 법칙의 끝 플러스 이러한 지수 증가 컴퓨터 요구 사항에서 우리는 새로운 접근이 필요하다는 것을 의미합니다 기계 학습을하기 위해 동시에, 물론 모든 사람들은 여전히 컴퓨터를 배우고, 더 빠르고 저렴한 교육 그래서 Google은 특수 하드웨어를 제작하고 있습니다 자, 두 번째 질문은 Google은 어떤 종류의 가속기를 만들었습니까? 내 이야기의 제목에서 Google이 액셀러레이터 유형을 구축하고 있음을 알고 있습니다

우리는 Tensor Processing Units라고 부릅니다 기계 학습용으로 특수화 된 ASIC 이것은 우리 TPUs의 첫 세대입니다 2015 년 Google에 소개했습니다 입출력 2 세대 TPUs 이제 우리가 소개 한 Cloud TPU 버전 2라고합니다

작년에 Google I / O에서 그리고이 클라우드 TPU 버전 2 클라우드 TPU v2 포드 (Pods)라는 포드로 결합 할 수 있습니다 물론 올해 Google I / O에서, 우리는 클라우드 TPU의 3 세대를 도입했습니다 공기에서 냉각 이제는 액체로 냉각되었습니다 그리고 물론, 당신은 그들의 무리를 연결할 수 있습니다 포드 (pod) 구성도 가능합니다

그렇다면이 세대들 사이의 차이점은 무엇입니까? TPUs의? 첫 번째 버전 인 TPU는 정말 추론을 위해서만 설계되었습니다 그래서 그것은 약 92 테라 논을 타고난 것입니다 2 세대 TPUs는 모두 교육을 수행합니다 및 추론 부동 소수점 숫자로 작동합니다

약 180 테라 플롭스입니다 그리고 HBM은 약 64 기가 있습니다 그리고 3 세대 TPUs, 그것은 성능면에서 큰 도약입니다 이제 우리는 420 테라 플롭을하고 있습니다 그리고 우리는 기억의 양을 두 배로 늘 렸습니다

이제 HBM 128 기가되었습니다 그리고 다시, 그것은 훈련과 추측을합니다 그리고 물론, 우리는 같은 종류의 진전을 봅니다 클라우드 TPU 포드도 있습니다 우리의 2017 포드는 약 11

5 페타 플롭스였습니다 그것은 11,500 테라 플롭스의 연산입니다 4 테라 바이트의 HBM이 있습니다 그리고 우리의 새로운 세대의 포드는 100 페타 플롭 이상을합니다 32 테라 바이트의 HBM이 있습니다

물론 새로운 세대의 포드 또한 액체 냉각된다 우리에게는 새로운 칩 아키텍처가 있습니다 모든 것이 잘되고 좋은 것이지만, 실제로, 우리가 여기서 찾고있는 것은 최고 성능뿐만 아니라, 비용 효율적인 성능 따라서 매우 일반적으로 사용되는 이미지 인식 모델을 사용하십시오 ResNet 50이라고 불린다

다시 훈련 시키면 매우 일반적인 데이터 세트입니다 ImageNet이라는 이미지를 통해 약 4,100 개의 이미지 실제 데이터에서 초당 우리는 최첨단을 얻는 동안 그것을 달성합니다 최종 정확도 수치 따라서이 경우 93 % 상위 5 정확도입니다

ImageNet 데이터 세트에서 그리고이 ResNet 모델을 교육 할 수 있습니다 약 7 시간 47 분 만에 그리고 이것은 실제로 엄청난 개선입니다 Kaiming He가 원본 종이를 본다면 ResNet 아키텍처를 소개하는 다른 회사, 이 모델들 중 하나를 훈련 시키는데 몇 주가 걸렸습니다

그리고 이제 하나의 TPU로 우리는 그것을 훈련시킬 수 있습니다 7 시간 47 분 만에 물론 이러한 것들은 Google Cloud에서 사용할 수 있습니다 그래서 현재의 훈련입니다 그래서 그것은 대략 – 요청에 따라 리소스를 지불하면 약 36 달러입니다 Google 클라우드를 사용하여 비용을 지불하면 선매 가능 인스턴스 인 경우 약 11 달러입니다

그래서 훈련하는 것이 꽤 싸게되고 있습니다 물론 비용 효율적인 성능을 원합니다 규모로 따라서 동일한 모델 인 ResNet 50을 사용하려는 경우, 클라우드 TPU 버전 2 포드에서 초당 219,000 이미지를 얻고 있습니다 교육 성과 똑같은 정밀도를 얻을 수 있습니다

그리고 훈련 시간은 약 8 시간에서부터 시작됩니다 약 8 분 다시 한번 말하지만, 그것은 엄청난 발전입니다 그리고 이것은 우리를 우리가 할 수있는 지역으로 데려옵니다 iterate on

– 당신은 모델을 훈련시킬 수 있습니다, 커피 한 잔 마시고 돌아와 그런 다음 결과를 볼 수 있습니다 따라서 거의 상호 작용하는 수준으로 접어 들게됩니다

기계 학습, 기계 학습 가능 연구 및 개발 그래서 훌륭합니다 그렇다면 다음 질문은 어떻게 될 것인가? 그래서 오늘 우리는 2 세대를 확대 할 것입니다 클라우드 TPU 다시 한번, 이것이 어떻게 생겼는지입니다 이것은 당신이 여기서 볼 수있는 하나의 전체 Cloud TPU 보드입니다

그리고 당신이 알고 싶은 첫번째 것 Cloud TPUs는 실제로 네트워크에 연결된 장치입니다 따라서 Google Cloud에서 Cloud TPU를 사용하려면 어떻게됩니까? 나는 그것을 창조한다는 것이다 Google Cloud Console로 이동합니다 클라우드 TPU를 만듭니다 그런 다음 Google Compute Engine VM을 만듭니다

그리고 VM에서 TensorFlow를 설치하기 만하면됩니다 말 그대로, PIP는 TensorFlow를 설치해야합니다 그런 다음 코드 작성을 시작할 수 있습니다 설치해야 할 드라이버가 없습니다 깨끗한 우분투 이미지를 사용할 수 있습니다

우리가 제공하는 기계 학습 이미지를 사용할 수 있습니다 따라서 시작하기가 정말 쉽습니다 따라서 각 TPU는 호스트 서버에 연결됩니다 32 레인의 PCI Express 그래서 각각의 TPU – 그래서 여기에 주목해야 할 것은 TPU 자체가 가속기와 같다는 것입니다

따라서 GPU처럼 생각할 수 있습니다 그래서 그것은 실행되지 않습니다 리눅스를 단독으로 실행할 수는 없습니다 따라서 호스트 서버에 연결되어 있습니다 32 레인의 PCI Express로 우리가 에서 훈련 데이터를 전송할 수 있습니다

결과를 빨리 되돌릴 수 있습니다 그리고 물론, 당신은이 보드에서 명확하게 볼 수 있습니다 상당히 큰 방열판이 네 개 있습니다 각 방열판 아래에는 Cloud TPU 칩이 있습니다 따라서 칩을 확대하면되므로 여기에 있습니다

매우 단순화 된 칩 레이아웃 다이어그램 보시다시피, 각 칩에는 두 개의 코어가 있습니다 16 기가 바이트의 HBM과 각각 연결됩니다 그리고 매우 빠른 상호 연결이 있습니다 이 칩을 보드의 다른 칩에 연결합니다

그리고 전체 꼬투리에 걸쳐 그래서 각각의 칩은 약 225 테라 플롭스의 코어를 가지고 있습니다 그리고 각 코어는 스칼라 유닛, 벡터 유닛, 및 매트릭스 유닛을 포함한다 그리고 우리는 한 가지 예외를 제외하고 대부분 32 대 전체로 운영되고 있습니다

매트릭스 단위를 확대하면 모든 조밀 한 행렬 수학 및 조밀 한 회선이 어디에 있는지 일어난다 따라서 행렬 단위는 128로 구현됩니다 bfloat16 곱셈을하는 128 개의 수축기 배열 float32가 누적됩니다 여기에 두 가지 용어가 있습니다 익숙하지 않을 수도 있습니다

bloat16 및 수축기 배열 그래서 나는 이들 각각을 차례로 살펴볼 것입니다 다음은 부동 소수점 형식에 대한 간략한 안내서입니다 그래서 당신이 기계 학습 훈련과 추론을하고 있다면 오늘, 당신은 아마 fp32를 사용하고 있습니다 또는 단 정밀도 IEEE라고하는 것 부동 소수점 형식

따라서이 경우에는 부호있는 비트가 하나 있습니다 8 개의 지수 비트 및 약 23 개의 유효 비트를 갖는다 그리고 그것은 당신이 10에서부터 범위의 수를 나타낼 수있게합니다 음의 38에서 약 10까지 38 따라서 표현할 수있는 숫자의 범위가 상당히 넓습니다

그래서 최근 몇 년 동안 사람들은 fp16에 신경 네트워크를 훈련시키려는 시도, 또는 1/2 정밀도의 IEEE 부동 소수점 형식이 무엇인지를 나타냅니다 TensorFlow 및 업계 전반의 사람들 이 작업을 원활하고 원활하게하기 위해 노력 해왔다 하지만 문제의 진실은 당신입니다 많은 모델을 수정해야한다 fp16 만 사용한다면 제대로 훈련 할 수 있습니다

주로 그라데이션 관리, 또는 로그 스케일링, 모든 종류의 작업을 수행해야합니다 그 이유는 범위가 fp16에 대한 대표 숫자 fp32보다 훨씬 좁습니다 여기 범위는 약 6 ~ 6 회 정도입니다 10에서 음의 8 내지 65,000으로 감소한다 그래서 이것은 훨씬 더 좁은 수의 범위입니다

그렇다면 Google Brain의 사람들은 무엇을 했습니까? 그래서 구글 브레인이 한 것은 우리가 올랐다는 것입니다 bfloat16이라는 부동 소수점 형식을 사용합니다 그래서 bfloat16은 float32와 같습니다 우리는 가수의 마지막 16 비트를 제외합니다 따라서 동일한 비트, 같은 지수 비트, 23 비트가 아니라 7 비트의 가수입니다

이 방법으로 동일한 범위의 숫자를 나타낼 수 있습니다 훨씬 낮은 위치에 그리고 당신은 그만한 정밀도를 필요로하지 않는다는 것이 밝혀졌습니다 신경 네트워크 훈련을 위해,하지만 당신은 실제로 모든 범위가 필요합니다 그리고 두 번째 용어는 수축기 배열입니다

그래서 설명하기보다는 수축기 배열이 무엇인지, 나는 너에게 보여줄 것이다 내가 만든 작은 애니메이션 그래서이 경우, 우리는 y 매우 간단한 행렬 시간 벡터 계산과 같습니다 그래서 당신은 y를 w 배로 계산하고 있습니다 x, 여기서 w는 3×3 행렬이고 x 3 요소 벡터입니다

그리고 우리는 배치 크기가 3 인 x를 계산합니다 그래서 우리는 이미 모든 가중치를로드했습니다 매트릭스 단위로 그리고 우리가 첫 번째 클럭 사이클을 시작한다면, 첫 번째 벡터의 첫 번째 요소 매트릭스 단위로로드됩니다 그리고 1 위를 곱하면 1 of w를 첫 번째 벡터의 첫 번째 요소와 비교합니다

두 번째 클럭 사이클에서 어떤 일이 발생합니까? 더 많은 가중치가로드된다는 것입니다 그래서 우리는 더 많은 곱셈을하고 있습니다 동시에, 우리는 결과를 추진하고있다 이전 곱셈의 곱셈 [INAUDIBLE]에서 그래서 노란색 상자의 경우 바로 거기에서 우리는 곱셈을하는 것이 아닙니다

우리는 또한 다음과 같은 곱셈의 결과를 합산합니다 상자의 결과로 상자 안에서 발생합니다 그것의 왼쪽에 그리고 이것은 계속됩니다 보시다시피, 더 많은 계산을 활용하고 있습니다

이제 출력을 꺼낼 때까지 이것이 실제로 무엇인지는 2D 계산 분야입니다 그래서 우리는 많은 계산 단위를 넣을 수 있습니다 매우 적은 양의 칩 영역 내에서 칩의 비용을 최적화하면 칩, 더 커 – 더 높은 비용 또한 칩 아키텍처가 내장되어있어 파이프 라이닝을 위해서 – 우리가 채울 수있는 – 그래서 이전 예제에서, 우리는 단지 배치 크기가 3이었습니다 그러나 더 큰 배치 크기가있는 경우, 만약 당신의 칩 아키텍처가 이것을 위해 만들어진다면, 당신은 항상 행렬 단위를 채울 수 있습니다

그리고 이것은 매트릭스에 대해 매우 높은 처리량을 얻음을 의미합니다 곱셈은 ​​실제로 많은 부분에서 핵심입니다 이 깊은 학습 모델 중 그럼 알았어 이 액셀러레이터는 어떻게 사용합니까? 클라우드 TPU로 시작하는 것이 좋습니다 참조 모델

이들은 고성능의 오픈 소스 모델입니다 그것들은 아파치 라이선스하에 라이선스를 받았다 그들은 매우 공통적이고 최첨단을 구현합니다 모델 아키텍처 내부적으로 성능 및 정확성을 테스트합니다 그리고 당신은 이것들을 사용하여 정말로 빨리 일어나서 실행할 수 있습니다

필요에 따라 수정할 수 있습니다 따라서 조립 된 데이터에 대해 교육하고 실행할 수 있습니다 자신의 데이터에, 등등 그리고 우리는 많은 참조 모델을 가지고 있습니다 그래서 저는 ResNet 50 및 기타 이미지 인식 예제를 제공했습니다

네트워크를 사용하지만 작업을 수행 할 수도 있습니다 기계 번역, 언어 모델링, 연설 인식, 이미지 생성 우리는이 모든 모델을 클라우드 용 샘플 모델로 사용합니다 TPU 시작하기 큰

그럼 이거 기억해? 그 꼬투리를 기억해? 우리 모델의 많은 것으로 밝혀졌습니다 우리는 단일 TPUs를 위해 그것들을 최적화했을뿐만 아니라, 우리는 또한 TPU 포드에 최적화되었습니다 예를 들어, ResNet 50 예제를 사용하십시오 이전에 실적 수치를 인용했습니다 이 경우 하나의 Cloud TPU에 대해 교육을 받았습니다

이것은 정말로 당신이하는 전부입니다 다운로드하면 TPU를 시작합니다 TensorFlow를 다운로드합니다 Git 저장소를 복제합니다 그리고 여러분은 기본적으로 파이썬이라고 부릅니다

TPU에게 알려주십시오 데이터가있는 곳을 가리 킵니다 배치 크기를 알려주십시오 얼마나 많은 단계를 훈련시키고 싶은지 말해봐 그리고 나서 빵

나가 Cloud TPU Pod에 대한 교육 그다지 다르지 않습니다 Cloud TPU를 시작하는 대신 Cloud TPU 창을 시작합니다 그리고 정말로, 수정해야 할 유일한 것 TPU의 이름, 훈련 배치 크기 및 훈련 단계의 수 따라서 참조 모델 -이 경우 참조 모델 ResNet 50은 상당히 최근의 기법과 마찬가지로, LARS 옵티 마이저 및 레이블 스무딩과 같은 목표 정확도를 달성하기 위해 이러한 모든 변경 사항을 다시 구현할 필요는 없습니다

우리는 이미 당신을 위해 그것을했습니다 그래서 많은 레퍼런스 모델들이 하나의 TPU는 꼬투리에 줄곧 있습니다 물론 참조 모델에만 국한되지 않습니다 그래서 당신이 당신 자신의 모델을 만들 때, 물론, 당신은 TensorFlow로 그것들을 만듭니다 그리고 TensorFlow로 모델을 만들 때, 당신이 생각해야 할 정말로 두 가지가 있습니다

대부분의 사람들이 에너지를 집중하는 것이 있습니다 이는 네트워크 아키텍처 자체이며, 가속기에서 작동 중입니다 그러나 사람들이 방치하는 많은 부분이 입력 파이프 라인입니다 기본적으로 우리의 훈련 데이터를 이동 시키면, 그들을 읽고, 압축을 풀고, 파싱하고, 데이터 증가 및 패치 적용, 그것을 가속기로 보낸다 많은 사람들이 이것을 문제로 생각하지 않습니다

그러나 정말로, 이런 종류의 고성능 가속기의 경우, 이런 종류의 퍼포먼스는 당신의 트레이닝 파이프 라인이 느린 경우 가속기는 절반 만 유휴 상태입니다 그래서 1 단계, 입력 파이프 라인을 구축하십시오 그래서 이것은 ResNet 50을위한 매우 간단한 입력 파이프 라인입니다 그래서 당신은 입력 기능을 가지고 있습니다 당신은 일련의 파일들을 나열합니다

너는 그들을 섞는다 당신은 그들을 반복합니다 그리고 나서 그것을 보내십시오 그래서 이것은 위대합니다 이 성능이 무엇인지 추측하십시오

이것은 초당 150 이미지입니다 따라서 클라우드 TPU에서 실행하더라도, 초당 150 개의 이미지를 얻고 있습니다 Cloud TPUs는 초당 4000 개의 이미지를 처리 ​​할 수 ​​있기 때문에 훌륭합니다 그래서 너가하는 일은? 병목 현상이 있습니다 그렇다면 성과를 어떻게 향상시킬 수 있습니까? 병목 현상을 발견했습니다

병목 현상을 최적화합니다 그리고 물론, 당신이 반복 할 때까지 반복합니다 원하는 성능을 얻으십시오 클라우드 TPU는 실제로 상당히 포괄적 인 세트를 제공합니다 프로파일 링 도구의 그래서이 경우에, 당신은 무엇을 볼 수 있습니다 – 이 경우 TensorBoard입니다

그래서 당신은 당신의 TPU에서 일어나고있는 일의 프로필을 가져올 수 있습니다 호스트에, 등등 그리고 여러분은 그것을 볼 수 있습니다, 오, 큰 차이가 있습니다 즉, CPU가 데이터를 기다리는 동안 유휴 상태임을 의미합니다 그리고 이것은 위대하지 않습니다

그래서 단순화 된 표현 지금 TensorBoard에서 무슨 일이 일어나고 있는지 이런 것입니다 그래서이 경우에는 추출물이 있습니다 부하가있는 변압기가 있습니다 그리고 나서 우리는 가속기에 대한 교육을 받았습니다 그리고 그들은 모두 순차적으로 일어나고 있습니다

그리고 이것은 위대하지 않습니다 여기서 실제로 일어나고있는 것이 있기 때문에 CPU를 유휴 상태로 두는 것입니다 그리고 액셀러레이터를 유휴 상태로 두는 것입니다 그리고이 두 가지가 가장 큰 비용 요소입니다 귀하의 교육 파이프 라인에서

그래서 당신이 정말로하고 싶은 것은 이런 일을하는 것입니다 매 단계마다 중복됩니다 그리고 컴퓨터에서 값 비싼 비트를 모두 사용하고 있습니다 최대한으로 따라서 가속기는 100 % 활용됩니다

CPU가 약간 유휴 상태입니다 디스크가 유휴 상태이지만 괜찮습니다 그리고 파이프 라이닝을하는 것은 정말 쉽습니다 따라서 실제로 한 가지만 수정해야합니다 따라서 두 번째 줄부터 마지막 ​​줄까지 볼 수 있습니다

대신 datasetprefetch를 수행하십시오 그리고 이것은 위의 모든 것을 보장합니다 가속기 교육을받는 파이프 라인입니다 물론 병렬 읽기를 원한다면, 많은 파일을 읽는 것이 하나에서 읽기

그리고 다른 많은 기술들이 있습니다 시간이 없기 때문에 나는 오늘 안으로 들어 가지 않을 것입니다 따라서 엉성한 인터리브, 융합 된 데이터 세트를 사용할 수 있습니다 연산자 우리는 TensorFlow 웹 사이트에서 훌륭한 성능 가이드를 가지고 있습니다

입력 파이프 라인을 최적화하는 방법을 알려줍니다 나는 당신이보기를 권장합니다 그러나 이것은 부분적으로 최적화 된 입력 파이프 라인의 일종입니다 우리의 단순한 것보다 약간 더 길다 하지만 이것은 초당 2,000 개 이상의 이미지를합니다

그리고 완전히 최적화 된 이미지 파이프 라인을 원한다면, TPU 샘플 코드를 살펴보십시오 승인 시원한 이제 재미있는 부분이 생겨서 모델을 구축하십시오 따라서 모델을 구축 할 수있는 첫 번째 방법 Keras와 실제로입니다

우리는 Keras 통합 실험을 사용할 수 있습니다 TensorFlow 111부터 시작될 예정입니다 2 ~ 3 주 정도 그래서 당신은 구축 할 수 있습니다 – 그래서 당신은 평범한대로 Keras에 모델을 작성할 수 있습니다

수정해야 할 유일한 사실 기본적으로 클러스터 확인자를 작성합니다 그것에게 이름을주고, 분배 전략을 세우고, keras_to_tpu_model 함수를 호출하십시오 그러면 모델이 변형됩니다 TPU와 호환되는 것으로 그 다음에는 modelcompile, model

fit의 간단한 일을해라 그리고 당신이 알고 사랑하는 모든 케라 스 선량 그리고 TensorFlow 112는 그 이후의 릴리스입니다 우리는 더 쉽게 할 것입니다

그래서 keras_to_tpu_model을 더 이상 호출 할 필요가 없습니다 modelcompile을 직접 호출하면됩니다 그리고 나서 이것은 효과가 있습니다 큰

Keras는 사용하고 싶지 않습니다 당신은 낮은 수준의 것을 사용하고 싶습니다 그래서 우리는 또한 그것을위한 해결책을 가지고 있습니다 TensorFlow Distribution이라는 것을 사용할 수 있습니다 계략

나는 배급 전략에 관한 이야기가 있었다고 생각한다 어제 그래서 당신이 그것을 놓친 경우, 나는 비디오가 곧 온라인이 될 것이라고 생각합니다 그러니 그걸 살펴 봐야합니다 따라서이 경우 견적서를 사용하고 있습니다

배포 전략 따라서 모델 함수를 작성할 수 있습니다 왼쪽에서 보는 것처럼 입력 기능을 작성할 수 있습니다 오른쪽 상단에서 보는 것처럼

그리고 다시, 당신이 정말로 수정해야 할 유일한 것 몇 줄이야 다시 클러스터 해결을 작성하거나 TPU 전략을 작성하십시오 그리고 여러분은 그것을 추정기 함수를 통해 전달할 수 있습니다 traindistribute

그러면 TPU에서 작동하게됩니다 모든 것이 훌륭합니다 그리고이 TPUs를 사용하는 사람들도 있습니까? 사람들은 사실입니다 그래서 여기에 아키텍처 검색 프로젝트의 사례 연구가 있습니다 그것은 스탠포드와 MIT의 그룹이 한 것입니다

그래서 수백과 수백을 사용하여 평행 이동을했습니다 TensorFlow Research Cloud의 구름 TPUs 우리가 1,000 개의 무료 TPUs를 제공하고있는 프로그램 학술 연구자들에게 그래서 당신이 학문 연구원이라면, 이 프로그램을 살펴 보시기 바랍니다 따라서이 이미지의 각 파란색 점은 TPU 교육을 실행 한 것입니다 ImageNet 스케일, 컨볼 루션 RNN

그래서 매 시간마다 몇 시간이 걸렸습니다 다른 하드웨어를 교육 할 수 있지만 TPU에서는 그들은 많은 TPU에 접근 할 수 있기 때문에, 수백, 수백 가지의 작업을 수행 할 수 있습니다 그래서 그들이하려는 일은 그들은 더 나은 모델을 찾고자했습니다 당신이 녹음하는 데이터에 적합합니다 말하자면, 뇌에 전극을 넣으면 내 시각 피질이 무엇을 시도하는지 살펴 봅니다

내가 물건을 볼 때해야 할 일 그래서 그들은 아날로그를 찾고 있습니다 그 신경 네트워크를 찾으려고 영장류의 시각 피질에 더 가깝다 그래서 그것은 여기에서 밝혀졌습니다 그래서 여기에 공간의 다이어그램이 있습니다

그들이 찾고있는 곳 인구 전체에 걸쳐 많은 다른 모델 중에서 빨간 연결이 일종의 선택이라고 검색 대 다른 검색 그리고 어떻게 될까요? 모델을 일부 신호와 비교했다 그 기록은 생물 학자들이 녹음 한 것인데, 그들은 convolution RNNs가 신경 신호에 훨씬 더 적합하며, 예 : v4, IT, 기타 [INAUDIBLE] ,, convolution이나 발 앞쪽 모델처럼 당신은 오늘 문학에서 보았습니다 이것은 정말 새롭고 흥미로운 방향입니다

연구 그룹이 액세스로 처음부터 할 수 있었던 많은 계산에 따라서 TPU에서 모델을 교육 할 수는 없습니다 기본적으로 자동으로 검색 할 수 있습니다 이제 클라우드 TPU는 물론, 오늘 클라우드 TPU 버전 2를 사용할 수 있습니다 일반적으로 Google Cloud에서 사용할 수 있습니다

그들에 대해 더 많이 알고 싶다면, 시작하려면 cloudgooglecom/tpu로 이동하십시오 괜찮아 이제 Alex는 몇 가지 새로운 기능을 선보일 예정입니다

가속기 코드를보다 쉽게 ​​작성할 수 있습니다 알렉스

#AndroidDevSummit ’18, AI Hub & Kubeflow Pipelines for businesses, Cloud Scheduler, & more!

[음악 재생] JEN PERSON : 안녕하세요 저는 Jen Person의 "Developer 보여 주다

" 가장 멋진 개발자의 주간 업데이트입니다 Google의 뉴스 지난 주 Android Dev Summit이 발생했습니다 캘리포니아 마운틴 뷰에있는 컴퓨터 역사 박물관에서 팀은 안드로이드 10 년을 기념했습니다

Kotlin, Jetpack, Android에 대한 공유 업데이트 Studio, App Bundles 및 물론 Foldables에 대해 이야기했습니다 모든 세부 사항과 세션 비디오에 대한 링크를 보려면, 아래 설명에있는 링크를 클릭하십시오 지난 주, 팀은 AI 허브와 Kubeflow를 소개했습니다 AI를 더 간단하고, 빠르며, 더 유용합니다 AI 허브에는 플러그 앤 플레이 ML 콘텐츠가 있습니다

Jupyter 노트북, TensorFlow 모듈, 그리고 더 Kubeflow 파이프 라인은 Kubeflow의 새로운 구성 요소입니다 앱을 만드는 것처럼 ML 코드를 패키지화하고, 조직 전체의 다른 사용자에게 재사용 할 수 있습니다 두 가지에 대한 자세한 내용은 링크를 참조하십시오 Cloud Scheduler는 완전히 관리되는 cron 작업 서비스입니다

모든 응용 프로그램이 배치 / 큰 데이터를 호출 할 수있게 해주는 기능, 클라우드 인프라 운영 – 본질적으로, 자동화 된 배치 작업을위한 최신 관리 cron 서비스 이제 사용 가능합니다 빠른 시작에 대한 링크는 게시물에 있습니다 컨테이너는 업계 표준 컨테이너 런타임입니다 Dockers 핵심 런타임 구성 요소 이제 Containerd Optimized에 베타 버전으로 제공됩니다

Kubernetes 엔진 111 용 OS 예제 명령과 사용자 가이드에 대한 링크가 게시물에 있습니다 2018 고 사용자 설문 조사는 응답을 위해 열려 있습니다 11 월 30 일까지

귀하의 관점을 공유하려면 게시물을 클릭하십시오 최고의 프로그래밍을 만드는 데 도움이됩니다 가장 가까운 사람들의 욕구와 욕구에 맞는 언어 그것에 너야 마음에 드시고 구독하고 공유하시는 것을 잊지 마십시오

나는 "Developer Show"의 Jen Person입니다 보고 주셔서 감사 드리며 다음 주에 다시 보겠습니다 때때로 나는 주변을 걷고있다 나는 왜 사람들이 나를 쳐다 보는가? 그리고 나서 나는 그것이 내가 아이처럼 입은 옷

Create Customer Value with Google Cloud AI (Next Rewind ’18)

연사 : 다음 2018 년에 300 회 이상의 세션이 있으며, 너는 그들 모두에게 다가 갈 수 없다는 것은 이해할 만하다 따라서 고객 생성이 표시되지 않은 경우 Google 클라우드 AI로 가치를 얻은 다음 계속 조정합니다

왜냐하면 여기에 되감기가 있기 때문입니다 [음악 재생] 가장 일반적인 과제 중 하나 기계 학습으로 얻고있다 커다란 위협적인 과정에서 실제로 귀하의 비즈니스에 도움이됩니다 혹시이 문제와 씨름 해 본 적이 있다면 너 자신, 그럼 좋은 소식 클라우드 고객에게 제공하는 몇 가지 조언이 있습니다

그들이 시작하는 동안 아마 당신도 유용 할 것입니다 첫째, 간단하게 시작하십시오 한 번에자가 운전 차량을 만들 필요가 없습니다 대신, 가장 간단한 문제부터 시작하십시오

당신은 기계 학습으로 태클을 할 수 있습니다 실제로 복잡한 응용 프로그램처럼 보입니다 보통 별도의 컬렉션으로 시작합니다 구성 요소 둘째, 비즈니스 문제를 파악하십시오

기계 학습을 시도하기 전에 비즈니스에 미치는 영향을 파악해야합니다 당신의 신청서는 가질 것이다 그렇지 않으면, 그냥 잡힐 수도 있습니다 문제에 대한 해결책의 차가움에 어떤 해결이 필요하지 않습니다 셋째, 애플리케이션에 완벽하게 통합 할 수 있습니다

가능한 한 최종 사용자 인 최종 사용자 기계 학습이나 인공 지능으로 작동하는지 상관하지 않습니다 또는 무엇이든 그들은 기능을 살펴 봅니다 넷째, 기계 학습이 당신을 열 수 있습니다 새로운 사용자 상호 작용 패러다임에 이전에 당신에게 제공되었습니다

과도한 집중으로 새로운 기회를 놓치지 마십시오 오래된 문제들 그리고 마침내, 비록 그것이 발발을 느끼더라도, 당신은 큰 생각을해야합니다 AI 그 혁명적 인 기술은 인터넷과 마찬가지로 모든 사업을 변화시킬 것입니다 25 년 전 20 년 전 세계를 변화 시켰습니다

그러나 한 입 크기의 덩어리로 생각하면됩니다 우리가 고객과 함께 일할 때, 우리는 당신은 그 큰 비전을 가지고 있습니다 그러나 우리는 당신과 함께 일할 것을 확신합니다 다루기 쉬운 조각으로 그리고 이것은 시험되지 않은 조언이 아닙니다 우리가 가지고있는 거대한 고객 목록이 있습니다

기계 학습의 성공을 도왔으며, 이야기는 그들의 이야기 중 많은 부분으로 밀집되어 있습니다 고객 사례 및 실질적인 조언 인 경우 당신이 찾고있는, 전체 이야기를 확인해보십시오 그리고 그것이 당신이 볼 수있는 전부는 아닙니다 AI 회사가되는 과정에서 배운 교훈을들을 수 있습니다 기술에 대한 조언을 찾을 수 있습니다

우리가 기계를 배우기 위해 만든 것 프레스에서 뜨거운 것들을 포함하여 더 쉽게 여행 할 수 있습니다 우리는 기술 격차를 어떻게 해결할 수 있는지 살펴 봅니다 데이터 과학의 문제 세계에는 2 천 1 백만 명의 개발자가 있으며, 그 중 단지 몇 천 명만이 깊은 학습 모델을 구축하는 데 능숙합니다 그것에 대해 무엇을해야할까요? 전체 발표에서 찾아보십시오

그리고 발표가 마음에 들면,이 이야기는 당신에게 큰 세 가지를 가져다줍니다 첫째, Contact Center AI; 둘째, Iron Mountain과의 새로운 파트너십 우리의 자연 언어 이해를 사용할 수있게 해줍니다 플랫폼 내 기술 그리고 스피드에 대한 필요성이 있다면 좋아하는 것, 강력하고 새로운 알파 TPU 하드웨어 그리고 맨 위에있는 체리는 프랑스 인이있는 AutoML 데모보기 당신과 AI에게 부드럽고 둥근 치즈를 알려주고 있습니다 그리고 속지 마라, 그들은 모두 브리가 아니라는 것을 알게된다

가득 찬 이야기를보고 싶다면, 아래 설명에서 링크를 확인하십시오 그리고 Cloud YouTube에 가입하는 것을 잊지 마십시오 더 나은 다음 되감기 콘텐츠를위한 채널 지켜봐 줘서 고마워 [음악 재생]

Leverage AI on the Cloud to Transform Your Business (Next Rewind ’18)

CASSIE KOZYRKOV : 다음 2018 년에 300 회 이상의 세션이 있으며, 너는 그들 모두에게 다가 갈 수 없다는 것은 이해할 만하다 그래서 당신이 클라우드를 활용하지 않았다면 귀하의 비즈니스를 변화시키고, 계속 지켜봐주십시오

왜냐하면 여기에 되감기가 있기 때문입니다 [음악 재생] 기계 학습은 알고리즘 접근법입니다 데이터로 반복적 인 결정을 내리는 것 시작하기 전에 모든 구성 요소가 있는지 확인하십시오 배울 데이터, 확인; 기계 학습에 대한 액세스 알고리즘, 확인; 반복적 인 결정을 자동화하려는 욕구 – 우리는 정말로 여기 반복을 말하고 있습니다

10 가지의 결정이 아니라 10,000이나 100 억에 가깝습니다 검사 큰 이야기에서 나온 큰 아이디어를 요약 해 봅시다 첫째, ML을 사용하여 여러 문제를 해결할 수 있습니다

오늘 규칙을 작성 사실, 그것을 적용 할 수있는 기회를 찾을 수있는 좋은 방법입니다 귀하의 비즈니스에서 규칙을 찾는 것입니다 예 : Google 검색에서 검색어 완성 는 손으로 만든 규칙의 진짜 얽힘이었습니다 그것에 기계 학습을 적용하는 것은 우리의 가장 큰 부스트를 가져 왔습니다

2 년 넘게 품질 순위를 매겼습니다 둘째, 기계 학습은 응용 프로그램을 개인화하십시오 ML은 손수 만든 규칙보다 잘 확장되기 때문에 기존 논리 위에 모델을 레이어 할 수 있으며, 당신은 이제 또한 주요 사용자와 다른 사람들을 기쁘게 할 수 있습니다 분견대 자, 물론,이 모든 것을 확인하는 것은 데이터입니다

ML을 규칙 기반 프로세스로 전환하는 것으로 생각할 수 있습니다 그것의 머리에 모델 또는 규칙으로 시작하는 대신, 그것을 뒤집어서 데이터로 시작하십시오 셋째, 기대를 지닌 설계 시스템 내년에는 더 많은 데이터를 얻을 수 있습니다 너의 세계는 정적이 아니기 때문에 너는 기대해야한다

데이터가 커지게됩니다 그리고 더 많은 데이터가 이기기 때문에 이것은 좋은 일입니다 그러나 이것이 당신을 두는 때 무엇이 ​​일어나는가? 엑사 바이트 또는 페타 바이트 영역에서? 예를 들어, 깊은 학습은 잘 작동합니다 큰 데이터 세트 선형 적으로 오류율을 떨어 뜨리려면, 데이터를 기하 급수적으로 늘려야합니다

저기서의 로그 스케일입니다 나는 예측을 좋아한다 당신이 깊은 학습에 있다면, 나는 예측한다 당신의 미래에 많은 데이터 여기에 제안이 있습니다

모든 개인적인 시간을 소비하지 마십시오 큰 데이터 인프라에서 대신 서버리스 방식을 사용하십시오 그래서 당신은 실제로 당신을 데려 오는 것에 당신의 노력을 기울일 수 있습니다 가장 가치있는 것 인프라가 아닌 코드 측면에서 생각해보십시오

우리를 네 번째 아이디어로 이끌어줍니다 인프라를 잊어 버릴 수있는 플랫폼 사용 훌륭한 사전 제작 된 모델을 제공합니다 다양한 ML 시나리오에 대한 유연성을 찾으십시오 그럼 깊은 학습을 다시 살펴 봅시다 최첨단 머신을 수행하는 데 필요한 컴퓨팅 성능 지난 6 년간 학습은 천만 번 증가했습니다

천만 번이나 당신이 최첨단에 있고 싶다면, 효율적이고 비용 효율적인 ML이 필요합니다 환경 점점 더 많은 데이터를 처리하기 위해 분산 될 필요가 있습니다 점점 더 많은 계산을 처리하기 위해 더 나은 하드웨어가 필요할 것입니다

Google Cloud는 이상적인 환경을 제공합니다 하드웨어의 분산 처리 용 당신의 필요에 맞게 환상적인 서버 관리 방식을 제공합니다 훌륭한 사전 빌드 된 모델로 ML을 실행하려면, 그래서 처음부터 모든 것을 만들 필요가 없습니다 네가 원치 않으면

제 말은, 왜 재발견 할 필요가없는 바퀴를 재발견하는 겁니까, 그렇죠? 이 이야기를 요약하면, 다채로운 사용 사례를 생략했습니다 그 아이디어를 실제로 현실로 가져옵니다 영화 추천 시스템, 사기로부터 기계 학습 학습 탐지, 고객 서비스, 사물의 인터넷, 자동차 경매, 게임 등 가득 찬 이야기를보고 싶다면, 설명의 링크를 확인하십시오 아래를 클릭하고 Cloud YouTube에 가입하는 것을 잊지 마십시오

채널을 통해 다음 되감기 콘텐츠를 더 많이 얻을 수 있습니다 지켜봐 줘서 고마워 [음악 재생]

Powering the Future of Agriculture through Google Solutions (Cloud Next ’18)

[음악 재생] CRAIG Ganssle : 오늘, 우리는 인공 지능과 어떻게 우리 회사가 Google과 협력하고 있습니다 세계 전역의 식량 생산

제 이름은 크레이그 갠슬입니다 그리고 저는 회사의 설립자이자 CEO입니다 조지아 애틀랜타에서 CAMP3 FARMWAVE라는 제품이 있습니다 인공 지능은 중요한 역할을 할 수 있습니다

세계적인 식량 생산, 몇가지 말하자면 내가 너에게 물었다면, "이게 뭐야?" 사과라고 말해 줄거야 하지만 내가 말하면, 이제 나에게 증명해 줄까? 이것이 사과라는 걸 증명 해줘 어떻게 알았어? 왜냐하면 우리가 아이들, 유치원 또는 유치원이었을 때, 우리 모두 똑같은 것을 보았습니다 그림과 flashcard입니다

그리고 그것은 사과를 말했다 그게 뭐야? 그게 사과 야 그러나 그렇게 보이지는 않습니다 사과 라는게 무슨 뜻이야? 그게 어때? 그것은 너무 다르게 보입니다 또는? 이것들은 모두 사과입니다

그러나 인공 지능을 이용한 세계 식량 생산에서, 우리는 그것을 증명해야합니다 그리고 우리가 그것을 증명해야 할뿐만 아니라, 그것은 사과이지만, 모든 병원균, 해충, 그리고 거기서 어떤 작물도 감염시킬 수있는 잡초 침입 식물 병리학에서 인공 지능의 과제에 오신 것을 환영합니다 농업에서 이미지 인식과 같은 것을 사용하는 것은 어려운 일입니다

농작물의 병원균과 병충해를 확인하는 것 또는 식물 – 토마토, 감귤류, 줄기 작물, 뭐든지 – 일찍 그러나 이것은 가장 중요한 단계 중 하나입니다 성장하는 음식에 우리가 병원균을 확인하고 감염을 조기에 발견 할 수 있다면, 그건 우리가 화학 물질을 덜 뿌릴 수 있음을 의미합니다 즉 작물 파괴가 적고 작물이 많다는 뜻입니다

수확량 그것은 더 많은 음식을 의미 할 수 있습니다 이것은 전 세계적으로 정말로 중요한 산업입니다 우리 모두 먹어야하기 때문입니다 Fei-Fei Li 박사가 최선을 다했습니다

새 데이터 세트를 작성하십시오 그래서 FARMWAVE에서 우리가해야 할 일이 있습니다 우리는 전 세계를 검색했습니다 대학, 대기업, 농민, 소규모 주주 – 이미지 캡처 및 구축 큐레이팅되고 카탈로그 화 된 데이터 세트 식물 병리학을위한 이미지 인식 작물 손실을 줄일 수 있습니다 FARMWAVE는 농업에 종사하는 사람들을 연결하는 앱입니다

그들의 농장과 기술 및 서로와 그것은 단지 인공 지능 이상입니다 하지만 그 뒤에있는 진정한 강국입니다 지난 몇 년 동안 우리는 FARMWAVE를 개발해 왔으며, 우리는 조종사와 세계의 개념을 증명했습니다 몬산토 (Monsanto), 신젠타 (Syngenta), 바이엘 (Bayer) 인도, 프랑스, ​​미국, 전 세계에 – 우리가 FARMWAVE를 얻을 수 있다면 전 세계의 농부들의 손에 우리는 줄이기에 정말 좋은 기회가 있습니다

작물 파괴 20 % ~ 30 % 구성 요소 중 하나는 공동체로서 농민 서로 이야기하기 오늘날 그들은 Twitter 및 Instagram과 같은 것을 사용합니다 그러나 일상적인 일과 그들이 얼마나 빨리 움직이는 지, 농장에서해야 할 모든 일, 그들은 Twitter와 Instagram을 사용하고 있습니다 그러나 뉴스의 모든 소음과 그들이 따르는 모든 것 중간에 갇혀있는 것 같아요

당신도 재배자가 누군지는 말할 것도 없습니다 대기업 이해 관계자를위한 성장 그들이 식물 실험을하고있는 곳, 그 정보는 독점적이며 공공 웹에 나가십시오 FARMWAVE는 폐 루프 커뮤니티를 제공합니다 연구자, 경제학자, 농민 모두 들판을 만들어 협력 할 수있다 거의 실시간으로보고합니다

이를 통해 우리는 데이터를 올바르게 보유 할 수 있습니다 그들의 손바닥에 오늘날 농업에서 많은 일이 일어나고 있습니다 전 세계에는 여러 회사가 있습니다 자율 차량에 시도하고있다

존 디어는 오랫동안 그것을 해왔습니다 우리는 수십 년 동안 자율적 인 트랙터를 가지고있었습니다 그들은 훨씬 느리게 움직이며 아무도 그들의 방식을 따르지 않습니다 그러나 그들은 한동안 그것을 해왔습니다 무인 항공기, 위성 이미지, 하이퍼 스펙트 럴 컬러 이미지,이 모든 데이터 농업에 매우 중요합니다

그리고 많은 회사가 있습니다 우리가 할 수있는 방법에 영향을 미치려고 전세계에 이 모든 데이터를 더 잘 활용하십시오 우리의 농업에서 더 나은 결정을 내릴 수 있습니다 Howard Buffett는 "40 Chances"라는 책을 썼습니다 생각해 보면 농부는 평생 동안 그것을 얻는 평균 40 기회

그리고 그게 다야 그들이하는 모든 일, 일상 생활, 매우 계절적입니다 봄에 모든 식물이 수확하여 얻습니다 가을에 결과 아무리 효과가 있더라도 내년에 다시 시도 할 수 있습니다

인디애나주의 농부, 톰 팜스의 크리스 톰, 그들은 약 45,000 에이커 농사를 짓는다 그들은 미국에서 가장 큰 재배자 중 하나입니다 그는 한때 나에게 무언가를 말했다 기존 기술 위에 더 많은 기술을 추가하지 마십시오 새로운 기술을 추가하기 위해서

그래서 우리는 사물을 육상에서 훈련하려고합니다 FARMWAVE와 우리의 인공 지능 이미 휴대하고있는 기기로 작업 할 수 있습니다 그 (것)들 또는 그들이 이미 오늘 사용하고있다, 무인 항공기 및 일부 기계류와 같은 우리는 많은 기술을 활용합니다 Google Cloud Platform 내에서 최근에, 우리는 일하는 알파 회사 중 하나였습니다 AutoML

그리고 우리는 University of Georgia 농업 확장 – 우리가있는 곳, 애틀란타 – 인터넷 이미지 컨소시엄 (Consortium for Internet Imagery) 데이터베이스 시스템 조지아 대학과 약 19 개 대학이 소유 세계 각지에서, 3 만 5 천 개가 넘는 식물 종에 관한 20 년의 이미지 데이터입니다 그래서 우리는 조지아 대학과 긴밀히 협력했습니다 그리고 우리는이 데이터베이스의 복사본을 가지고 있습니다 그리고 우리는 분류하고 라벨을 붙이기 시작했습니다

FARMWAVE를 통해 이미지를 태그 지정하고 실행합니다 매우 도전적이었습니다 20, 19, 18 년 전, 우리는 휴대 전화의 종류가 없었어요 우리가 오늘 가지고있는 따라서 사진은 실제로 사용할 수 없습니다

그것들은 좋은 품질이 아닙니다 그러나 우리가 더 최근의 이미지를보기 시작하면서, 우리는 더 나은 품질을 가지고 있습니다 일부는 좋은 그림입니다 일부는 그렇지 않습니다 식물 병리학에서, 당신은 정말로 일어나야 만합니다

닫고 잎의 정말 좋은 그림을 얻으십시오 정말로 조기 발견을 위해 병원체 또는 해충을 식별 할 수있는 영향을 미칩니다 추천과 치료를한다 입력란에 입력하십시오 우리는 일찍부터 카운팅 시퀀스를 얻었다

오늘날 농민들은 생산량 예측에 도움을 줄 것입니다 옥수수의 귀에있는 핵을 세어 샤피와 함께 해 이제는 얼마나 많은 사람들이 농업에 시간을 할애했는지 모르겠습니다 하지만 7 월에 남부 조지아 열에 있다면 Sharpie와 함께, 그리고 당신은 커널을 계산하려고합니다

옥수수의 귀에, 그것은 끔찍합니다 그리고 당신이 그것을 굴릴 때쯤에, 손에 땀이 마커를 씻어 내었습니다 그리고 당신은 실제로 좋은, 정확한 카운트를 가지고 있지 않습니다 그래서 일부 Vision API 기술을 사용하여, 우리는 다음을 허용하는 시스템을 개발했습니다 너는 옥수수의 귀를 찍고 그것을 180도 회전시키고, 다른 사진 찍어

그리고 약 2 초 만에 계산됩니다 우리는이 카운트에서 95 % 이상 정확했습니다 연속적으로 – 실내, 실외, 관계없이 다른 빛 수준의 이는 17 %에서 20 % 아이오와 옥수수에 따르면 판 나중에 올해는 우리가 될거야

중간 이미지에있는 것을 시작합니다 스탠드 카운트 (Stand Counts)라고합니다 스탠드 카운트 (Stand Counts)는 농부들이 얼마나 많은 사람들인지를 알 수있게합니다 주어진 행에있다 때로는이 이미지를 UAV가 가져올 수 있습니다

때로는 땅에 찍히는 경우도 있습니다 토마토, 와인 포도의 클러스터 수 수율 예측에 도움이됩니다 농민들이 더 많은 결정을 할 수있게되면, 전반적인 세계 식량 생산이 더 좋습니다 우리를위한 이미지 인식은 시간이었다 자, 어떻게 시작할 지 생각해 보겠습니다

오늘이 일반적으로 어떻게 수행되는지 알려드립니다 농부가 들판으로 나간다 또는 위성이 사진을 찍습니다 또는 무인 항공기가 사진을 찍습니다 그리고 그들은 고통이 있음을 봅니다

현장에서 그런 다음 누군가를 보내면 사진을 찍을 것입니다 아마 농부는 그것이 무엇인지를 압니다 아마 그들은하지 않습니다 오늘날에도 우리는 여전히 새로운 질병이 나타나기 시작합니다 그래서 그들은 이렇게 말합니다

좋아, 나는 이것이 무엇인지를 정말로 모른다 농학자 한테 이걸 가져다 줘야 해 그러나 나는 아무데도 살고 있지 않다 아이오와에서 옥수수 바다에서 가장 가까운 대학교는 4 시간 거리에 있습니다

그래서 나는 지역 농학자에게 전화를한다 그는 두 국가가 떨어져 있습니다 다음 주에 아마 내게 올거야 그래서 그는 대학에 손을 뻗친다 그들은 누군가가 나와서 가져갈 수 있다고 말한다

며칠 만에 봐 그래서 그들은 나옵니다 그들은 한 번 봐 그들이 그것이 무엇인지 안다면, 그들은 권고를합니다 그들은 처방전을 씁니다

그리고 농부는 그들의 딜러에게 전화합니다 그리고 그들은 나가서 제초제, 살균제, 살충제, 뭐든간에 그들이 무엇인지 모르면, 그들은 더 연구를해야합니다 아마 며칠이 걸릴 것입니다 아마도 또 다른 주일이 걸릴 것입니다

기후, 날씨, 특성, 그들이 가지고있는 것, 이것은 퍼질 수 있었다 이것은 작물의 5 %에서 20 % ~ 30 % ~ 40 %로, 수확량을 줄이고 음식을 잃어 버리게됩니다 우리에게는 시간이 걸립니다 FARMWAVE 및 이미지 인식 기능 몇 초 만에 이런 일이 일어납니다 현재,이 대학의 35,000 종 조지아의 20 년 농작물 이미지를 통해 시작되었습니다

이것은 거대한 데이터베이스입니다 옥수수만으로 옥수수의 모든 질병 우리에게 몇 년이나 걸렸습니다 사과에서 나온 그림을 기억한다면, 우리는 모든 다른 단계에서 작물을 봐야합니다 그 모든 다른 단계에서 그 작물의 모든 질병 초기부터 중증도가 20 %, 중증도가 60 %, 완전히 쇠약 해짐 정확한 결과를 얻을 수 있습니다 우리의 이미지 라이브러리는 유일한 라이브러리 중 하나입니다

우리는 오늘 우리가 그것이 적절히 확인되었다고 말했다 박사 학위 병리학 자 및 곤충 학자 전 세계에서 그러나 우리는 높은 정확성을 가져야합니다 그래서 우리는 그렇게해야합니다 그러나 더 많은 시간이 걸립니다

농부들이 농지에 나가면 – 농지를 다녔다면이 플래 카드를 볼 수 있습니다 바로 거기에 어떤 작물이 심고 있는지 알려줍니다 이 경우 Pioneer 버전입니다 Google Vision API를 사용하여 농민 현장 보고서를 매우 빨리 채울 수있다 단순히 사진을 찍고, 현수막의 정보, 그것을 현장 보고서에 넣으십시오

그런 다음 나들이 할 때 현장보고를 계속합니다 그들의 차량의, 그리고 그들은 실제로 들여다보기 위해 들판에 들어간다 병원체 또는 해충 문제에서 이렇게하면 많은 시간을 절약 할 수 있습니다 어쩌면 농부가 하루에 몇 분이면 될지도 모릅니다

그러나 매년 전 세계 농민들을위한 그 화합물 이런 종류의 정보가 중요합니다 주정부 규정 및 지역 카운티에 신고해야합니다 보고서 따라서이 정보는 중요합니다

Google Vision API 덕분에 엄청난 도움이되었습니다 이 정보를 매우 빨리 추출 할 때 들판으로가 이것은 현장을 약간 쳐다 본 것입니다 FARMWAVE 내부에보고하십시오 우리는 병원균과 해충을인지함으로써 그들을 돕습니다

그러나 우리는 Google Cloud의 모든 것을 활용합니다 FARMWAVE가 살고있는 곳에서 거의 실시간으로 정보를 얻을 수 있습니다 우리는 또한 그들이있는 곳을 위치 정보 태그로 지정합니다 그것은 매우 중요합니다 그들이 들판에 나가면, 무엇을 이 분야에서 일어 났습니까? 우리는 날씨, 날씨, 장소, 시간과 날짜

내년 FARMWAVE의 미래는 다른 기계류를 허용하는 2019 년 앱 스토어 출시 농업 내 모든 데이터 포인트 FARMWAVE에 연결하여 해당 데이터를 상호 연관시킬 수 있습니다 더 잘 협력하십시오 그 말은 농부가 들판으로 나가면 현장보고를하기 위해 FARMWAVE를 엽니 다 그들이있는 곳을 봅니다 그리고 말하길, 당신의 존 디어 파종기를 당기게하십시오

네가있는 곳을 내가 알고 있기 때문이다 몇 초 후에 내가 너에게 무엇을 말할거야 이 분야에서, 어떤 날짜에, 어떤 씨앗에 심었습니까? 다양성, 어떤 간격에서, 어떤 압축에서 그리고 관개 센서 데이터를 가져와주세요 이 작물이 얼마나 많은지 물어볼 게

그것이 땅에 들어간 날부터 가지고있다 이 순간까지 당신이 서있는 곳에서 정확하게 그 때까지 그것은 그 결과를 푸시합니다 현장 보고서에 표시됩니다 그런 다음 사진, 메모, 비디오, 받아쓰기를 할 수 있습니다

그것을 저장하십시오 그리고 그 지역 사회에서 그것을 구할 때 앞서 언급 했으니 곧 공유 할 수 있습니다 귀하의 농경 학자, 연구원, 재배자, 상인 세계 어느 곳에서나 거의 실시간으로 몇 년 전, 나는 즐거움을 가졌다 프랑스의 Emmanuel Macron 대통령을 방문했다

프랑스는 포도주와 치즈로 세계의 수도입니다 그리고 그들이 어떻게 다르게 성장하는지 보는 것은 환상적이었습니다 프랑스에서 그들이 미국에서하는 것보다 나는 요르단 암만과 레바논 베이루트에 갔다 그들이 프랑스에서하는 것보다 그들이 어떻게 다르게 성장하는지 그들이 미국에서하는 것보다

프랑스는 GMO가 금지 된 국가 중 하나입니다 그래서 그들은 서로 다른 스타일을 가지고 있습니다 그러나 데이터는 여전히 중요합니다 프랑스 전역의 농민들이 함께 일합니다 정부 보조금을 통해 매년 새로운 기술에 대한 우리는 지난 몇 년 동안 프랑스를 방문했습니다

여러 번, 다른 공동 작업자, 재배자, FARMWAVE가 어떻게 잠재적으로 할 수 있었는지에 대한 정부와도 국가가 데이터를 집계하는 데 사용하는 단일 플랫폼이어야합니다 앞으로는 예측 모델링을 수행하십시오 우리가 인공 지능을 볼 때, 그리고 우리가 기계 학습과 깊은 학습을보십시오 Google Cloud Platform을 활용하여 무엇을 할 수 있는지, 그것은 하워드 버핏이 말한 40 가지 기회에 관한 것입니다 그것은 우리가 할 수있는 것과 할 수있는 것입니다

우리가 오늘 얻는 지식에 기반한 미래를위한 것인가? 나는 최근에 한 여인과 대화를 나눴다 Suzanne Wainwright-Evans 박사 그녀는 세계적으로 유명한 곤충 학자 Buglady입니다 그녀는 FraMWAVE에 대해 꽤 회의적이라고 Craig는 말했습니다 나는 수십 년의 경험에서 왔습니다

그리고 그 경험과 제가 현장에서하는 일은, 우리는 AI에서 편향 (bias)을 호출합니다 그리고 그녀는 절대적으로 맞습니다 편견이 많습니다 곤충 학자들이 볼 수있는 많은 것들이 있습니다 곤충 학자로서의 본성과 마찬가지로 우리가 시스템에서 훈련하기가 정말 어려울 것입니다

그리고 우리는 그것에 열심히 노력하고 있습니다 하지만 사실은 Dr Suzanne Wainwright-Evans입니다 영원히 여기 없을거야 그리고 오늘, 그것은 다음 Buglady가 된 것은별로 인기가 없습니다

그래서 우리는 많은 곤충 학자들을 갖지 못합니다 2017 년 에반스 박사는 3 주 동안 집에서 보냈습니다 나머지는 길 위에 있었다 그녀는 다른 나라에서 매우 인기가 있습니다 그들은 심지어조차하지 않는 해충의 침입을 목격한다

그것이 무엇인지 압니다 그리고 농작물을 구하기 위해 그녀의 도움이 필요합니다 그래서 에반스 박사 같은 사람과 일하고 있습니다 기계 훈련에 도움을 주며 AI 훈련에 도움을줍니다 우리가 병원체 또는 해충의 침입에서보고있는 것을 알기 위해, 지난 커플에 대한 지식을 유지하는 것이 중요합니다

농업의 미래를위한 수십 년 내일 우리는 더 나은 결정을 내릴 수 있습니다 이들은 우리가 함께 일하는 파트너 중 일부입니다 분명히, 나는 조지아 대학에 대해서 이야기했다 우리는 Google X로 초기 작업을했습니다 FARMWAVE 실제로 Google Glass에서 시작되었습니다

저는 Google Glass의 얼리 어답터였습니다 나는 뉴욕까지 갔다 나는 그곳에 와서 한 쌍의 구글 글래스를 갖도록 요청 받았다 그리고 몇 달 후에 얻었습니다 아이오와 주 디모 인에서 열린 존 디어 (John Deere) 개발자 컨퍼런스에 참석했습니다

그리고 John Deere는 개발자를 초청했습니다 이 회의를 위해 전 세계에서 온 사람들입니다 그리고 그것은 우리에게 새로운 것이 무엇입니까? 개발자들은 존 디어 (John Deere)를 보았습니다 말하길, 음, 그게 우리에게 새로운 것이 무엇 이니? 이 한 신사가 내게 다가왔다 그리고 그는 크레이그 (Craig), Google에 대해 이야기하고 유리는 무엇을하고 있습니까? 많은 사람들이 우리에게 그것에 대해 물었고 그것은

나는 말했다 이 시점에서 FARMWAVE는 아직 태어나지 않았습니다 우리는 방금 Glass에 대해 이야기하고 이야기했습니다 그것은 상자에서하고 있었다 그리고 이것은 Explorer 판과 함께했습니다

그리고 조금 더 배웠을 때 농업에서의 중대한 문제 해결, 작물 정찰병 작전에 대해 배웠습니다 이런 것들을 확인하기 위해 나는 우리가 이미지 인식 기술을 사용할 수있다 이러한 문제를 해결하고 이러한 결정은 더 빠릅니다 실제로 Google Glass에서 시작되었습니다 우리는 2015 년 몬산토에서 조종사를 만났습니다

일리노이에있는 약 25 개의 서로 다른 쌍의 Google Glass에서 농부들이 들판으로 나갈 수 있었던 곳 단순히 목소리를 사용하고 사진을 찍으십시오 그리고 그것은 식별 할 것입니다 또는 핸즈프리 옵션을 사용할 수 있습니다 유리가 그것을 잡고 커널을 센다 몇 초 만에

이것이 우리가 작업 한 일부입니다 GlassFish는 Google X에서 초기에 사용했으나 현재 Glass에서 계속 작동합니다 사실 어제 우리는 전 세계적으로 FARMWAVE를 시작했습니다 iOS 및 Android 앱 스토어에서 나는 어제 애틀란타에서 열린 ag 기술 회의에 참석했다 우리는 글로벌 출시를했습니다

그리고 우리는 80 개국을 가지고 있습니다 지난 60 일 동안 34,000 명 누가 FARMWAVE를 일찍 채택하기로 동의 했습니까? 그것은 중요한 문제입니다 우리는 2050 년까지, 사람들의 행성에있을 것입니다 앞으로 30 년 동안 더 많은 식량을 재배해야한다 우리가 지난 8,000 년보다 적은 자원, 적은 토지, 더 많은 입을 먹을 수 있습니다

기술은 중추적 인 역할을 수행 할 것입니다 이 일을하는 데있어서 그리고 우리는 그 일의 일부가되어서 정말 기쁩니다 그리고 우리는 강력한 자원 없이는 할 수 없었습니다 Google Cloud의 이 보고서에서 볼 수있는 이미지 인식 내에서 01, 아래쪽에지도가있는 것을 볼 수 있습니다

필자는 또한 지형 공간 기능을 당신이 현장보고를 받아 당신이 어디에 있는지 보여주고, 지도에 표시되는 자, 내가 아이오와에 있고 옥수수를 재배하고 있다면, 나는 문제가 있다는 것을 알고, 나는 아이오와 옥수수 재배자와 함께이 공동체 중 하나에서 협회, 그리고 나는 그림을 가져 간다 나는 현장보고를하고, 나는 이웃 농민들에게 경고한다 그들은 질병이 실제로있는 곳을 볼 것입니다 거의 실시간으로 전파됩니다 대시 보드보기를 통해 FARMWAVE 커뮤니티의 관리자입니다

또는 FARMWAVE 그룹의 경우 실제로 모든 재배자를보십시오 그리고 다른 태그와지도의 다른 태그를 통해, 실제로 성장하고 확산되는 것을 볼 수 있습니다 이것은 경고 효과가 있습니다 다른 농부들에게 무슨 일이 일어나는지 알려라 그리고 그들의 방법 오는 무엇

그리고 그것은 그 공동체에서 그 농부들에게 허용됩니다 조언을 구하기 위해 전 세계의 다른 사람들과 의견을 나눌 수 있습니다 하루 약 860 마리의 소를 기르는 위스콘신주의 낙농가 하루에 세 번, 그가하고있는 일에서 꽤 발전했습니다 그러나 8 마리의 소가있는 인도의 낙농가 지식이나 자원 또는 스킬 셋이 없습니다

위스콘신에있는 신사는 그렇게합니다 FARMWAVE를 통해 사진을 보내고 조언을 구할 수 있습니다 그 사진들이 현장보고에 있기 때문에 – 즉, 위치 및 날씨 태그가 붙은 농부 위스콘신 주에서는 즉시 인도의 농부에게 조언 할 수 있습니다 네가 8 마리의 암소를 가지고 있음을 알았다 당신은 매우 습한 기후에 살고 있습니다

여기 당신이 상대하고있는 조건이 있습니다 그것은 유방염 가능성이 높습니다 그리고 여기에 대해해야 할 일이 있습니다 그리고 그것은 다른 부분의 농부들에게 중요합니다 성장하는 국가의 세계 그 8 마리의 암소는 그들의 가족의 지속 가능성입니다

[음악 재생]

Machine Learning on Google Cloud Platform (Cloud Next ’18)

[음악 재생] 안녕, 여러분 모두들 안녕

관객 : 안녕하세요 크리스 클리브런 : 좋아요 제 이름은 크리스 클레 ​​반입니다 Justin Lawyer와 함께 우리는 제품 관리자입니다 Google 클라우드에서 우리는 당신과 대화 할 것입니다

GCP에서 기계 학습에 관한 정보 그래서 저는 매우 투명한 사람입니다 나는 그것을 무엇보다 명확하게 할 것입니다 나는 당신의 테이크 아웃이이 이야기에서 나온 것이기를 바랍니다 하나, 당신이 정말로 흥분하기를 바랍니다

기계 학습으로 할 수 있습니다 둘, 자신감을 갖기를 바래 조직에서 기계를 성공적으로 구현할 수 있는지 확인하십시오 Google Cloud로 학습하십시오 셋째, Google AI의 관심사를 통해이를 신뢰하십시오

우리는 당신의 ML을위한 올바른 플랫폼이자 파트너입니다 워크로드 세 번의 테이크 아웃 이요 우리는 당신이 그 테이크 아웃을 얻으려고 이야기 할 것입니다 우리가 그것을 파고 들기 전에, 나는 단지 당신에게 감사의 말을 전하고 싶다

우리 모두는 바쁜 삶을 사는 데 제한된 시간을 가지고 있습니다 Google Cloud, 다음 컨퍼런스, 이 세션 고마워 ML이 당신을 위해 무엇을 할 수 있습니까? 그것은 놀라운 것들을 많이 할 수 있습니다 조직에 경쟁이있는 경우, 그들이 ML을보고 있다고 보장합니다

자, ML은 반드시 정신병자를 발명하는 것이 아닙니다 교통 수단을 이용하는 경우 순간 이동을 어떻게 만들지가 아닙니다 기존 비즈니스 및 프로세스를 이용하는 것입니다 다시 상상하고 재발견 할 수있는 능력 너 오늘하고있는 일 ML에는 세 가지 종류의 큰 영역이 있습니다

통찰력을 얻는 데 도움이 될 수있는 도움이 될 수 있습니다 또는 고객이 제품 혁신에 도움을 줄 수 있습니다 자동화에 도움이됩니다 진짜 자동화를 빨리 봅시다 자가 운전 트럭과 자동차 – 모두가하는 사업 교통과 택시로 오늘하고있다

그것을 더 빠르고, 저렴하게, 더 쉽고, 더 안전하게 만들어줍니다 혁신을 살펴 보겠습니다 우리 고객 중 한 명이, 디즈니, 우리의 제품 AutoML을 사용하여 혁신 그들의 소매 서비스 사용자 경험을 원했습니다 그들이 찾고있는 제품을 정말 빨리 찾을 수 있습니다

그래서 그들은 웹 인터페이스를 사용하여 커스텀 모델을 만들었습니다 전문 지식이 필요하지 않습니다 그리고 지금 그들의 수색 경험에서, 당신은 "해변에 미키 마우스"를 입력 할 수 있습니다 해변과 관련된 모든 제품을 찾습니다 그리고 미키 마우스 – 정말로 멋지다, 정말로 쉽다

그리고 통찰력 – 당신이 비행기라고 가정 해 봅시다 제조사, 항공기, 그리고 당신은 정말로 안전에 관심이 있습니다 IoT 덕분에 엄청난 양의 데이터가 있습니다 이 악기들이하고있는 것 그리고 그 데이터를 수집한다면 어떻게 처리할까요? 그리고 아마 당신이 그걸 예측할 수 있다면 어떨까요? 비행기 정비 전에 필요한 정비 부품 정기적으로? 안전에 대한 통찰력, 그래서 무엇에 대해 흥분을 느끼는지 귀하의 조직이 할 수 있습니다

그래서 손을 보여줍니다 누가 여기에, 그들의 조직, 찾고 있습니다 오늘 기계 학습으로? 큰 손을 한 번 더 보여줍니다 여기 누가 기계 학습이 무엇인지 이해한다고 생각합니까? 네가 반 정도는 마지막 질문 – 누가 기계 학습 모델인지 알 수 있습니까? 네, 대부분

그래서 이것에 대해서 간단히 만질 것입니다 기계 학습은 데이터에 관한 것이며 데이터를 가져 오는 것입니다 통찰력과 행동 거기에는 모든 종류의 데이터가 있습니다 이미지, 구조화되지 않은 텍스트, 관계형 데이터베이스, 시퀀스 정보

그리고 기계 학습은 그 데이터를 취하는 것입니다 다양한 종류의 ML 알고리즘을 취하고, 그 알고리즘을 통해 그 데이터를 통과 거대한 인프라 세트가 필요합니다 그리고 그 데이터를 통과하면, 기계 학습 모델이 생성됩니다 그리고이 모델은 점점 좋아집니다 더 많은 데이터, 더 나은 알고리즘, 더 많은 인프라

그리고이 모델을 사용하여 통찰력, 자동화, 혁신 그래서 우리 모두는이 서비스, 웹 검색을 알고 있습니다 Google은 AI 회사이자 데이터 회사입니다 18 년 동안 세계 데이터 수집, 모든 사람이 접근 가능하고 사용 가능하게 만듭니다 우리는이 분야에서 많은 전문 지식을 보유하고 있습니다

대규모 데이터 센터, 인공 지능 전문가, 데이터 전문가 Google Cloud가 제공하는 전문 기술은 ML에 너에게 이것은 우리가 내부적으로 가지고있는 것에 대한 멋진 작은 이야기입니다 ML을 성공적으로 구현했습니다 Brein이라는 내부 AI 팀은 ML 모델을 만듭니다

알고리즘을 통해 수많은 데이터를 가져와 대규모 인프라 스트럭처를 통과시켜야합니다 ML 모델을 만들 수 있습니다 하지만 Google의 모든 소프트웨어 개발자는 아닙니다 ML 전문가입니다 우리가 한 일은 우리의 소프트웨어를 둘러 보았습니다

개발자를 교육하고 기존 모델로 ML을 구현하는 방법 그래서이 그래프가 보여주는 것은 소스 코드의 개수입니다 개발자가 Brain의 ML 모델을 사용하는 저장소 AI를 내부 서비스에 성공적으로 구현하기 위해, 외부 제품 Google은 이러한 유형의 개념을 Google Cloud에 도입합니다 오른쪽에는 여러 제품이 있습니다

ML과 AI를 통합했습니다 나는 그들 모두에 대해 이야기하지 않을 것이다 나는 두 가지에 대해서 이야기 할 것이다 내 즐겨 찾기 그래서 저는 아빠입니다, 저는 세 명의 아이들이 있습니다

그리고 저는 아이들의 디지털 사진을 많이 찍었습니다 어리석은 금액, 아마도 총 10 만개 그리고 저는이 Mac을 가지고 있었고 하드 드라이브가 몇 개 있었는데, 저장 용량이 걱정되어 Google 포토가 생겼습니다 무료 무제한 저장 글쎄, 잘됐다

값이 싸고 확장 가능하며 물건을 뒷받침하는 것에 대해 걱정해야합니다 그러나 실제로, 혁신은 검색 기능이었습니다 얼굴 인식 기능이 있으며 우리 애들이 누군지 알고 있습니다 내 얼굴 사진을 클릭 할 수 있습니다 내 전화에서 해변이나 보트 같은 단어를 입력하고, 이제 10 만 장의 사진을 찍습니다

내가 찾고있는 정확한 사진을 찾습니다 과거에는 20 분이 걸렸을 것입니다 ML은 혁신적이며 그렇게 할 수도 있습니다 조직의 규모에 관계없이 기술 직원 유형에는 ML을 구현하는 여러 가지 방법이 있습니다 그리고 우리는 두 가지 방법에 대해 이야기 할 것입니다

첫 번째 방법은 ML 모델을 사용하는 것입니다 ML 전문가가 될 필요는 없습니다 소프트웨어 개발자 일 필요가 있습니다 또는 귀하의 조직이 REST API를 사용하는 프로그래밍 언어 사용하기 쉽다

CXO 나 결정을 내리는 경영자라면, 프로젝트에 자금을 지원합니까? 높은 품질의 모델을 만드는 것은 매우 위험합니다 소프트웨어 개발자에게 API를 사용하게한다 그것을 구현하고, 정말로 빨리 시작하십시오 그리고 다른 길은 커스텀 모델을 만드는 것입니다 어쩌면 당신은 당신의 공간에서 도메인 전문가입니다

또는 데이터에 액세스 할 수 있고 원하는 자신 만의 ML 모델을 만들 수 있습니다 그래서 우리는 전문가들을위한 많은 도구들을 가지고 있습니다 빠르고 저렴한 ML 처리를 위해 그리고 여기가 저스틴에게 넘겨 줄 것입니다 그리고 그는 이것들에 대해 조금 이야기 할 것입니다

자세한 세부 사항 크리스틴 고마워 고마워, 크리스 그래서와 주셔서 대단히 감사합니다 오늘, 우리는 이야기 할 것입니다

당신의 직업에 맞는 도구를 어떻게 찾을 수 있습니까? 당신의 분야에서 전문가로서? 그래서 우선, 크리스가 언급 한 것처럼, Google은 많은 기계 학습 모델을 만들었습니다 특정 애플리케이션이 Google 애플리케이션을 강화할 수 있습니다 그래서 우리는 당신 주위에 REST API를 포장했습니다 소비하기 위해 우리는 이것을 지각 API라고 부릅니다

그들은 일반적으로 인간의 인식 주위에 있기 때문에 사용자가 애플리케이션과 상호 작용하는 방식 이렇게 빨리 다음 슬라이드로 이동하면, 이 API에는 크게 세 가지 범주가 있습니다 하나는 사이트에 관한 것이고 다른 하나는 대화에 관한 것입니다 세 번째 것은 언어에 관한 것입니다 아마 이들 각각을 걸을 것이 중요하다고 생각합니다 정말 신속하게 당신이 일종의 즉석에서 이해할 수 있습니다

코딩 없이도 얻을 수있는 기능 REST API를 사용하는 것 외에는 귀하의 응용 프로그램에 그래서 우선, 시력을 위해, 당신이 이미지를 가지고 있다고 말하면서, 그 이미지의 내용을 이해하고 싶습니다 자동으로 이미지를 Vision API에 전달하면 그 이미지 안에있는 물체가 무엇인지를 이해할 수 있습니다 자동으로, 그리고 당신은 얼굴이 어디 있는지 알아낼 수 있습니다, 다른 사람들에게 알릴 수 있습니다 동영상 이해 API의 경우 동영상, 장면 전환, 다른 대상을 알려줄 수 있습니다

해당 비디오 내에서 기본적으로 검색하고 찾을 수 있습니다 동영상 내 또는 동영상 전체에서 원하는 내용 여러 동영상을 전달하는 경우 OCR – 종종 사람들은 스캔 한 문서를 가지고 있습니다 그리고 무엇을 이해해야합니까? 도크는 그 문서에 있습니다 어쩌면 그것은 PDF 파일 일 수도 있고 GIF 파일 일 수도 있습니다

너는 할 수 있어야한다 GIF, JPEG가 아닙니다 API에 전달할 수 있습니다 그런 다음 자동으로 감지합니다 그 문서의 단어들은 무엇입니까? 그 원시 텍스트를 나중에 줄 수 있습니다

또는 장면의 이미지를 가지고 있거나, 벽에 징후가있다 그것은 당신에게 그 사인에 관한 텍스트를 줄 것입니다 따라서 OCR은 일상적인 응용 프로그램에서 정말 편리합니다 성인용 콘텐츠는 사실 실제로 하나입니다 정말로 중요합니다

사용자가 제출 한 콘텐츠를 얻으십시오 당신은 그 이미지에 무엇이 있는지 모릅니다 당신은 당신이 아닌지 확인해야합니다 사용자에게 부적절한 이미지를 제공합니다 따라서 성인용 콘텐츠 검색은 정말 쉬운 방법입니다

그 이미지에서 무슨 일이 일어나고 있는지 감지 할 수있게 당신이 걸러 내야 만하는 것이죠 귀하의 사용자에게? Conversation 클래스의 API의 경우 – 오디오를 텍스트로 – 스트리밍 오디오가있을 수 있습니다 그 다음 파일은 당신이 무엇을 말하고 있는지 알아 내야합니다 그런 다음 그 사건을 베끼고 그것을 당신에게줍니다 그것은 비디오, 사람들과의 실제 대화, 텔레비젼 쇼를 위해 무엇이든간에

그 반대도 가능합니다 텍스트 문자열이있을 수 있습니다 당신의 사용자에게 읽어 줄 필요가있다 자, 문자열을 응용 프로그램에 전달합니다 그러면 합성 음성을 만듭니다

그런 다음 사용자에게 알릴 수 있습니다 채팅 봇은 사용자와 소통 할 수있는 방법입니다 채팅에서 직접 원하는 상호 작용을 프로그래밍 할 수 있습니다 사용자와 대화하고 특정 종류의 대화를 프로그래밍 할 수 있습니다 계속해서 고객 서비스 전화로 도움을 받으십시오

또는 그런 것들 언어 API에서, 자유 형식의 텍스트를 가지고 있다면 정말 어렵습니다 정말 도대체 무슨 소리 야? 우리는 밖으로지도하고 무엇의 맥락을 알아낼 것입니다 말하자면, 문장의 데이터 구조를 찾아 내고, 당신이 알아낼 수 있도록 말의 부분을주세요 좋아, 명사 란 무엇인가? 동사는 무엇인가? 이것들의 관계는 무엇입니까? 그리고 나서, 당신은 지능적인 것을 할 수 있습니다

그 구조와 감정 분석은 함께 전송되는 분위기는 무엇인가요? 그 단어들로? 우리가 가진 것은 우리는 많은 좋은 성공을 시도했습니다

예를 들어 고객 서비스의 정서를 모니터하는 것 이메일이나 채팅, 물건 나가기 관리자에게 에스컬레이션 할 수 있음 그래서 물건들이 나선형으로 나오지 않도록 할 수 있습니다 제어 또는 무엇인가가 공격적인지 이해할 필요가 있다면, 또는 평온한, 또는 행복한, 당신은 어떻게 분류하고 있는지 확인합니까 고객이 평점을 매기는 것이 적절하다면 서비스 콜, 그런 것들? 번역에서는 자동으로 번역하는 좋은 방법입니다 한 언어에서 다른 언어로 예를 들어 다음에 대해 조금 이야기하겠습니다

예를 들어, 당신이 게임 개발자라고 말하면, 당신은 온라인 커뮤니티를 가지고 있습니다 하지만 그들은 전세계에서 온다 다른 언어로 말하기 당신은 그들이 서로 이야기 할 수 있기를 원합니다 실시간 채팅에서 기본적으로 할 수 있습니다

다른 언어로 번역 할 수있는 능력이 있어야합니다 따라서 Translate API를 사용하면 정말 쉽습니다 또는 인바운드 고객 서비스를받을 수 있습니다 이메일을 보내고 언어로 번역 할 수 있습니다 고객 서비스 담당자가 고객이 이해할 수 있도록 그러면 고객에게 응답 할 수있는 적절한 문서를 찾을 수 있습니다

이 API에 대한 좋은 점은 기본적으로 REST API 만 있으면됩니다 기본적으로 코드 스 니펫을 제공합니다 당신은 그것을 당신의 앱으로 팝니다 당신이 정말로 바꾸어야 할 유일한 것 데이터를 가리키는 키와 URI입니다 그리고 짜잔, 떨어져

그것보다 더 간단해질 수는 없습니다 다음 질문은 성능이 어떻습니까? 실제로 얼마나 효과가 있습니까? 그들은 일반적인 사용 사례에 정말 좋습니다 경우에 따라 문제가있을 수 있습니다 Google이 결코 다루지 않았던 또는 상황을 처리해야 할 수도 있습니다 Google이 다루어야 할 것보다 훨씬 더 자세하게 설명합니다

예를 들어 Google은 볼트와 못의 차이를 쉽게 알 수 있습니다 하지만 당신이 제조업 자라고 가정 해 봅시다 생산 라인에 2,000 개의 볼트가 있습니다 귀하의 부품에 대한 차이점을 어떻게 알 수 있습니까? 글쎄, 우리가 가능하게 한 것은 Cloud AutoML 그래서 당신은 라벨이 붙은 모든 부품의 이미지를 제공 할 수 있습니다 그리고 우리는 그들을 구별하지 못할 수도 있습니다

라벨을주지 않으면 그런 다음 모델을 교육합니다 그런 다음 REST API 엔드 포인트를 얻을 수 있습니다 귀하의 응용 프로그램에서 사용하십시오 그래서 좋은 점은 사용하기가 정말 쉽다는 것입니다

그리고 당신은 기계 학습을 알 필요가 없습니다 우리는 당신을 위해 그것을한다 그런 다음 응용 프로그램에서 사용할 수 있습니다 그래서 다음 질문은, 음, 이것이 얼마나 효과가 있습니까? 실제로 모든 오픈 소스보다 효과적입니다 밖에있는 모델

따라서 훌륭한 실적을 올릴 수 있습니다 그리고 사용하기가 정말 쉽습니다 그래서 정말 도움이되었습니다 그래서 실제로 ML을 사용하는 방법 중 하나입니다 또 다른 방법은 데이터 과학자가 있다고 가정 해 봅시다

내 자신의 데이터를 가지고 있기 때문에 내 모델을 만들고 싶습니다 그리고 그것은 내가 다룰 필요가있는 커스텀 문제입니다 음,이 작업에는 두 가지 다른 방법이 있습니다 하나는 클라우드 관리 서비스를 사용하고 있습니다 그리고 이것들은 당신이하지 않는 서비스입니다

인프라를 다루고 싶다 우리는 당신을 위해 그것을 다룰 것입니다 그렇게하면 컴퓨터 학습 프로세스에 집중할 수 있습니다 그래서 우리는 Dataproc과 Dataflow를 가지고 있습니다 그래서 당신은 당신의 전처리를 다룰 수 있습니다

Dataproc은 본질적으로 Hadoop 및 Spark이지만 관리, 또는 Dataflow가 백엔드에서 Beam을 사용하고 있습니다 프로세싱을 처리하는 관점에서 머신은, ML 엔진 또는 기계 학습 엔진, 인프라 스트럭처를 자동으로 가동시킬 수 있습니다 그리고 우리는 그걸 좀 알아볼 것입니다 당신이 끝나면 그것을 찢어 버려라 따라서 인프라 스트럭처가 사라집니다

데이터 과학자들로부터 모든 최상위 프레임 워크를 지원합니다 그리고 우리는 Datalab을 가지고 있습니다 데이터 탐색을 쉽게 할 수 있습니다 먼저 Datalab에 대해서, 얼마나 많은 사람들이 실제로 Jupyter Notebook을 사용했습니다 주피터 노트북에 대해 알고 있습니까? 약 3 분의 1 정도가 될 것입니다

나머지 사람들은 그렇게 이해합니다 주피터 노트는 근본적으로 데이터를 가리킬 수있는 앱 귀하의 데이터를 분석 할 수있는 코드를 제공하십시오

데이터를 시각화하고, 반환하고, 즉시보고, 얻을 수 있습니다 몇 가지 피드백을받은 다음 반복하여 반복하고, 그것을 계속 추가하십시오 전체 노트북을 재생할 수 있으며, 당신은 그저 특정 스 니펫을 연주 할 수 있습니다 직장 동료와 공유 할 수 있습니다 그래서 그것은 정말로 탐험하고 시각화하는 훌륭한 방법입니다

및 프로토 타입 그래서 환상적인 도구입니다 Datalab에 대한 좋은 점은 모든 다른 클라우드 서비스에 연결하도록 미리 구성 BigQuery와 ML 엔진 등이 있습니다 따라서 클라우드에서 벗어나기 만하면됩니다 랩톱에서 로컬로 사용할 수도 있습니다

기계 학습 엔진은 정말 좋은 방법입니다 임의의 데이터 사이트에서 분산 학습 수행 모든 상위 프레임 워크를 사용하여 데이터를 처리 할 수 ​​있습니다 그리고 다시, 그것은 관리 서비스입니다 따라서 모델과 데이터를 가리키고, 그리고 당신은 단지 그것을 회전시킵니다 그것은 당신을위한 모든 분산 훈련을 담당합니다

당신은 그것에 대해 걱정할 필요가 없으며 종료됩니다 모든 것을 찢어서 사용하는 것에 대해서만 비용을 지불합니다 그래서 이것을하는 것이 정말 효율적인 방법입니다 실수로 해당 VM을 켜두는 것에 대해 걱정할 필요가 없습니다 한달 전에 고지를 청구하고 청구서를받을 때

이것에 대한 또 다른 좋은 점은 배치 예측 및 온라인 예측도 수행합니다 기본적으로 이러한 일괄 예측 작업을 실행할 수 있습니다 정말 효율적입니다 또는 온라인 예측을 위해 REST API 끝점을 만듭니다 당신의 모델을 위해 당신을 위해 그리고 어떤 양으로도 봉사하십시오

당신은 당신이 가지고있는 많은 수의 앱을 필요로합니다 정말 쉬운 방법으로 앱을 관리 할 수있는 좋은 방법입니다 다른 하나는 데이터 과학자들이 종종 모델 최적화를하지 않는다 그것은 일종의 고통이기 때문에 모든 다른 매개 변수를 변경해야합니다

데이터 세트에 적합한 구성을 찾으십시오 글쎄, 우리는 그것을 ML 엔진에 내장했다 그래서 그것은 실제로 그것을 당신을 위해 간단하게 만듭니다 매개 변수 만 입력하면됩니다 최적의 모델을 찾으십시오

그래서 좋은 모델을 찾기보다는, 실제로 데이터 세트에 가장 적합한 것을 찾는 것입니다 따라서 모델 실적을 향상시킬 수 있습니다 관리 관점에서 모든 것을 하나로 모으는 것은, 우리는 전체 ML의 모든 단계에 대해 다른 서비스를 가지고 있습니다 애플리케이션에 대해 처리해야하는 라이프 사이클 우리는 섭취 측, 전처리 측, 저장 및 탐색 및 실험, 시각화 측면, 모델 교육 및 제공, Data Studio를 사용하여 보고서를 만들 수 있습니다

그것 모두는 우리의 관리 서비스에, 당신은 인프라를 다룰 필요가 없습니다 모든 호출기를 관리하는 SRE를 보유 할 필요는 없습니다 이렇게하는 다른 방법은 직접 해보는 것입니다 자신 만의 솔루션을 선보일 수 있습니다 사실 몇 가지 매우 유효한 이유가 있습니다

왜 일부 고객은 이것을 원할 것입니다 당신은 연구자 일 수도 있고 당신 일 수도 있습니다 스택의 모든 부분을 변경할 수 있기를 원한다 원한다면, 당신은 매우 맞춤화 된 파이프 라인을 가지고 있을지도 모릅니다 또는 당신이 최첨단을 원할 수 있습니다

오픈 소스 소프트웨어는 당신이 원하는 시점에 펑크 난다 여러 가지 이유가 있습니다 너는 그걸 원할지도 모른다 그게 전부입니다 우리는 그런 사용자를 좋아합니다

하이브리드 구현도 가능합니다 어떤 것들은 클라우드에 있고 어떤 것들은 온 – 프레미엄입니다 매우 일반적인 사용 사례입니다 우리는 그것을지지하고자합니다 그래서 직접 해보고 그것을 배포 할 방법이 있습니다

정말 중요합니다 따라서 우리와 똑같은 인프라 이전에 관리되고 있던 동일한 종류의 오픈 소스 플랫폼을 자동으로 롤백 할 수 있습니다 자신의 인프라에서 너는 그것을 관리한다 그리고 당신은 똑같은 하드웨어를 갖게됩니다

다른 솔루션에 전력을 공급합니다 그래서 우리는 얻는 것이 정말 쉽습니다 깊은 학습으로 시작되었습니다 깊은 학습은 정말 이륙하고 있습니다 복잡한 데이터에서 통찰력을 찾는 정말 좋은 방법입니다

세트 또한 인증 및 최적화 된 VM 이미지를 제공합니다 GCE에서 일하기 상자에서 꺼내면 Jupyter Notebook을 얻을 수 있습니다 모든 하드웨어에 액세스 할 수 있습니다

크리스가 잠시 후에 얘기 할 것입니다 그리고 가능한 최상의 결과를 얻을 수 있도록 구성되었습니다 따라서 클릭 한 번으로이 항목을 배포 할 수 있습니다 원하는 기계에 접근하여 접근하기 당신이 원하는 모든 액셀레이터에게 즉각적으로 갈 준비가되었습니다

우리는 약속에 대해 언급했다 Google이 오픈 소스 커뮤니티에 미친 영향 Kubeflow는 제가 좋아하는 오픈 소스 프로젝트입니다 지난 가을에 Kubernetes에서 시작되었습니다 특정 ML 작업을위한 마이크로 서비스를 만들 수 있어야한다

분산 형 교육 또는 분산 형 당신이 원하는 곳마다 다른 종류의 모델을 제공하고, 그것이 GCP에 있든 또는 온 – 프레스에 있든 상관 없습니다 따라서이 컨테이너를 배포하는 데 매우 휴대 가능한 방법입니다 당신이 원하는 곳이라면 그런 식으로 배포 할 수 있습니다 일관된 GCP 또는 온 – 리소스 일치에 대해 걱정할 필요가 없습니다

Kubernetes가 그것을 처리하기 때문에 이 모든 것을 다룰 수있는 쿠버 넷 고유의 방식입니다 그리고 다시 CPU, GPU 및 TPU에서 작동하도록 구성되었습니다 GCE에 온 – 프레미스 (On-prem), 내부적으로 가지고있는 모든 것에 액세스 할 수 있습니다 그렇다면 GCE에 배포하면 어떻게 될지 모르겠습니다

GKE 클러스터를 생성하고, 그것은 GCP의 관리 Kuvernnetes 클러스터입니다 그러면 JupyterHub 노트북을 스핀 업할 수 있습니다 TensorFlow 교육 서비스 또는 기타 프레임 워크를 시작하십시오 너는 넣고 싶었고 똑같은 일을했다 당신의 TensorFlow 서빙을 위해

모든 사용자가 공유 저장소에 액세스 할 수 있습니다 GCP에서 Kubernetes에게 자연스럽게 따라서 실제로 할 수있는 좋은 방법입니다 이것은 매우 휴대용 방식으로 그런 다음 전체 컨테이너를 원하는 위치에 배치 할 수 있습니다 그리고 그것은 환상적인 해결책입니다

그래서 지금, 나는 시간을 보낼 것입니다 Chris에게 하드웨어에 대해 이야기 할 것입니다 크리스 클리브 : 감사합니다, 저스틴 테이크 어웨이로 돌아가서, ML에 흥미를 느끼고, Google 클라우드에 ML을 구현할 수 있다고 확신하면서 Google의 인공 지능 (AI) 포커스는 우리를 귀하의 ML에 적합한 파트너로 만들어줍니다 워크로드

정말 빨리 이야기 해 봅시다 단지 이러한 것들을 되풀이하기 위해서입니다 개발자이고 ML을 구현하려는 경우, ML 전문가가 될 필요는 없습니다 API 모델을 사용하십시오 위험을 낮추십시오

사전 훈련 된 ML 모델이 마음에 들지 않는 경우 또는 사용자 정의 무언가를해야합니다 AutoML과 함께 웹 브라우저를 사용하여 사용자 정의 ML 모델을 작성하십시오 놀라운, 슈퍼 간단합니다 그리고 데이터 전문가 또는 기계 학습 과학자 인 경우, 또는 도메인 전문가가 작업 부하에 적합한 도구를 제공합니다 게다가

Google 클라우드에 ML을 성공적으로 구현할 수 있습니다 그러나 컴퓨팅 및 인프라에 대해 간단히 이야기 해 봅시다 ML과의 관계 최근 AI 개선 및 발전의 80 % 더 많은 이용 가능한 컴퓨팅 성능에 기인 한 것입니다 그러나 최근의 TensorFlow 이벤트에서, 설문 조사에 따르면 사람들이 접근 할 수 없다는 것을 인정합니다 ML 연구를 위해 충분히 계산할 수 있습니다

그것은 분명한 문제입니다 이제 수십 년 전으로 돌아 가자 왜냐하면 우리 모두 우리가 서있는 ML에서 일하는이 방에서 거인의 어깨에 신경망과 ML의 작동 방식에 대한 개념, 수십 년이 지났습니다 인간의 두뇌를보고, 어떻게 뉴런이 서로 연결되어 있는지, 그들이 정보를 전달하는 방법 한 뉴런에서 다른 뉴런으로, 그것은 오래된 개념입니다

하지만 최근의 구현입니다 대규모 데이터 센터 및 하드웨어 가속기 우리가이 큰 신경 네트워크를 만들 수있게 해줬습니다 ML의 발전 인프라가 중요합니다 그리고 그것이 중요한 이유는, 당신이 어떤 길로 가든 상관없이 – Google ML 모델을 사용하여 맞춤 모델 만들기 – 그것을 지탱하고있는 인프라입니다

우리 모델에서는 이미 데이터를 가져 왔습니다 훌륭한 알고리즘을 통과 시켰습니다 이 인프라, 대규모, 축구 규모의 현장 데이터 센터 이 모델들을 더 좋고 더 좋게 만드십시오 그리고 우리는 계속 그렇게 할 것입니다 Google Cloud를 사용하면 그 같은 규모로, 너와 그것을 할 수있는 것과 똑같은 힘 알맞게

GCP에 관한 새로운 ML 고객 중 한 명 OpenAI이고 대규모에 대해 이야기합니다 그들은 관리되지 않는 길로 갔다 그들은 도메인 전문가이고, 그들은 AI 사고 리더입니다 그들은 비영리 단체입니다 AI로 혁신하고 개방적이고 안전하게 만들기 위해 노력하고 있습니다

그들은 10 만개 이상의 프로세서를 사용합니다 보강 학습을 할 수 있습니다 수천 개의 GPU를 사용하여 기계 학습을하고 있습니다 혁신을 가능하게하는 것은 규모에 대한 접근입니다 그 (것)들을 위해 그것을 제공하고있는 Google Cloud입니다

하드웨어 가속기는 매우 중요합니다 하드웨어 혁신뿐입니다 CPU가 있으면 Skylake를 사용할 수 있습니다 그러나 ML 작업 부하의 경우 분산 된 교육의 경우 커다란 교육 일자리가 생기면 마비 된 계산 능력이 필요합니다 따라서 우리는 역사적으로 2017 년 2 월 이후로, 우리는 세 개의 NVIDIA GPU 모델 인 K80, P100, V100, 고성능, 패스 스루 PCI입니다

V100을 사용하면 NVLink 상호 연결이 가능하며, ML 워크로드에 아주 좋습니다 우리가 조금 다른 것보다 우리의 경쟁 업체는 맞춤 VM을 제공하는 방식을 사용합니다 CPU 사용량, 메모리 사용량, 기타 GPU 유형, 보유하고있는 GPU 수, 원하는 VM 수, 네트워크 연결 스토리지를 사용하거나 고속 디스크를 원할 경우 특정 작업 부하에 대한 I / O, 서버 내 SSD 연결, 그리고 당신이 원하는 것을 지불하십시오 또는 병목 현상이있는 경우 그 중 하나를 조정하십시오 우리의 다른 경쟁 업체 중 일부는 유연성을 제공하지 않습니다

그래서 돈을 저축하려고합니다 ML 작업이 더 빨리 진행될 것입니다 사실은 이번 주에는 새로운 P4 GPU를 출시했습니다 일주일 후에 나올거야 ML 추론 워크로드에 유용합니다

따라서 우리는 파트너 인 NVIDIA와 계속 협력 할 것입니다 새로운 GPU를 시작하십시오 그래서 우리는 거기서 멈추지 않습니다 AI에 초점을 맞추면 TPU가 생깁니다 우리는 Cloud v2 TPU를 작년에 만들었습니다

이것은 기계 학습을 위해 의도적으로 제작 된 ASIC입니다 그리고 오늘, 우리는 몇 가지 새로운 발표를했습니다 v3이 나오고, 빠르고 저렴한 ML 작업 부하 TPU 포드가 있습니다 TPU 포드는 일련의 TPU입니다

빠른 네트워크로 연결됩니다 다시 한번, 구글의 AI는 인프라를 구축하는 데 중점을두고 있습니다 우리는이 ML 모델을 더 빨리 교육하고 있습니다 우리는 또한 당신에게 그것을 제공하고 있습니다 우리는 당신의 ML을위한 올바른 파트너라고 믿어야합니다

워크로드 저축은 많은 돈입니다 많은 회사에 크고 큰 거래 스탠포드에 예산이있는 조교수가 있습니다 ML에서 몇 가지 연구를 수행합니다

그리고 그는 고정되어 있습니다 – 그가 할 수있는 일은 너무 많아 따라서 관리되지 않는 경로의 윈 – 윈 제품 – 선점 형 VM, 선점 형 GPU 및 TPU가 있습니다 때로는 여분의 용량이 있습니다 또한 교육 및 추론과 같은 ML 배치 워크로드, 우리는 GPU와 TPUs의 70 % 할인을 제공하고 오늘 아침에 발표했습니다 TPUs의 가격을 인하했습니다

그래서 지금,이 연구원은 우리의 여분의 수용력을 사용할 수 있습니다, 약간의 비용 절감, 배치 워크로드 실행 모든 사용 사례에 해당하는 것은 아닙니다 보장되지 않습니다 항상 거기있는 것은 아닙니다 하지만 연구를하고 있다면 필요한 일이나 큰 조직을해라 배치 작업 부하가 한 번씩 적은 비용으로 더 많은 혁신을 할 수있는 좋은 방법입니다

ML에서는 데이터가 정말로 중요합니다 Google은 훌륭한 광섬유 네트워크, 훌륭한 인터넷 서비스를 제공합니다 사이 따라서 데이터를 큰 단위로 이동하는 경우, 우리는 그것을 처리했습니다 실시간으로 들어오는 대규모 데이터 흐름이 다양한 출처 – 우리는 전 세계에 구름 위치를 가지고 있습니다

일부 데이터를 우리에게 발송해야하는 경우, 우리는 당신이 대량으로 출하 할 수있는 가전기구를 가지고 있습니다 그것은 단순한 계산이 아니라 훌륭한 인공 지능 서비스입니다 그것은 네트워크입니다 보안입니다 그것은 거기에 내장 된 모든 것입니다

그래서 우리는 많은 인공 지능 서비스에 대해 이야기했습니다 우리는 당신에게 개요와 소개를주었습니다 우리는 ML이 불가능 발명에 관한 것이 아니라는 것에 대해 이야기했습니다 그것은 재상영과 재발생에 관한 것입니다 너 오늘하고있는 일

현재 14,000 명이 넘는 고객이 GCP에서 ML을하고 있습니다 오픈과 하이브리드에 중점을두고, 및 멀티 클라우드 작업 부하, 하드웨어에 중점을 둠, 우리가 발표하는 우리의 새로운 서비스, 그리고 언급 한 기조 연설, 새로운 AutoML 서비스, 고품질 API – 네가 어떻게하고 싶은지 상관 없다 당신이 할 수 있다는 것에 흥분을 느껴야합니다 당신은 당신이 성공적으로 그것을 할 수 있다고 확신해야합니다 Google은 귀하에게 적합한 파트너입니다

더 배우고, 시작하고, 얻을 수있는 여러 가지 방법이 있습니다 세워짐 내가 특별히 말하고자하는 것은 내가 개인적으로 Kaggle이 사용되었습니다 Kaggle은 ML 대회 서비스 및 커뮤니티입니다 나는 ML을 배울 때, 내가 뭘하는지 몰랐다

그리고 이미지 인식 경쟁이있었습니다 운전자가 도로에주의를 기울이거나 또는 산만 한 느낌 그래서 커뮤니티에 가입하여 ML 도전에 합류했습니다 TensorFlow를 사용하는 방법에 대한 많은 리소스가있었습니다 및 데이터를 사전 처리하는 방법

그리고 Google은 Kaggle을 사용하여 전 세계 사람들을 돕고 있습니다 ML을 배우십시오 그리고 너도 그걸 쓸 수있어 또는 데이터 세트가 많은 조직의 경우, 당신은 경쟁을 시작할 수 있고 세계의 ML 전문가를 가질 수 있습니다 너를 위해 ML을해라

방법에 대한 자료가 많이 있습니다 이러한 서비스에 대해 알아보십시오 Google Cloud 고객이 아닌 경우 무료 크레딧이 제공됩니다 이미 그래서 그 점에 대해 감사 드리고 싶습니다

우리 시간은 거의 다됐다 우리는 몇 가지 질의 응답을 할 것입니다 양쪽에 2 개의 마이크 그리고 몇 가지 질문을하십시오 고마워요

[박수 갈채] [음악 재생]

Introducing AIY: Do-it-yourself Artificial Intelligence (Google I/O ’18)

[음악 재생] 빌 루앙 : 안녕하세요 AIY 입문 세션에 오신 것을 환영합니다

지금까지 I / O에 대해 모두 어떻게 됐습니까? 오늘 모두 좋은 점심 먹었 니? 예 승인 화면에서 볼 수 있듯이이 세션의 이름 AIY 소개 그러나 AI는 무엇입니까? AIY는 Google의 새로운 제품 라인입니다 당신 같은 개발자, 전 세계의 제조사, 인공 지능을위한 응용 프로그램을 만드는 방법 혼자서

그것이 AIY의 이름입니다 오늘 나와 함께 합류했다 개발자 관계에서 내 이름은 Bill Luan입니다 나는 Dushyantsinh Sebastian이 나와 합류했다

우리는 당신에게 현재의 AIY 제품 계열 그래서 우리가 시작하기 전에 동료들을 소개하겠습니다 그럼, Dushyantsinh 재수정 : 감사합니다, 빌 안녕하세요

내 이름은 두샨 in입니다 저는 인도의 Google 개발자 관계 팀의 일원입니다 나는 정말로 당신에게 AIY에 대한 놀라운 데모들을 보여주기 위해 여기에 흥분하고있다 스크립트 하지만 우리가 시작하기 전에 세바스챤을 초대 할거야

AI가 무엇인지에 대한 간단한 개요를 제공합니다 이 대화의 배경을 설정하십시오 SEBASTIAN TRZCINSKI-CLEMENT : 감사합니다, Dushyantsinh 직접 여기에와 주셔서 대단히 감사합니다 YouTube에서 시청할 수도 있습니다

나는이 매우 복잡한 성을 가진 Sebastian입니다 나는 아주 최근에 구글에 합류했다 약 11 년 전 그리고 우리 팀과 함께, 우리가 전 세계에서 무엇을하는지, 특히 신흥 시장에서 우리는 개발자와 신생 기업이 더 잘 구축 할 수 있도록 지원합니다 모바일 및 웹 애플리케이션

오늘 저는 AIY에 관해 당신과 이야기하고 싶습니다 하지만이 전에 DIY에 대해 이야기 해 보겠습니다 너 스스로해라 이게 뭔지 알아? 그것은 UFO가 아닙니다 실제로는 악기예요

아주 좋은 소리를냅니다 그러나 아니, 그것은 선사 시대에 발명되지 않았습니다 그것은 실제로 스위스에서 2000 년에 만들어졌습니다 스위스는 실제로 나라입니다 나는 공식적으로 여기있다

음, 그 때 제가 다른 UFO 중 하나에 있지 않을 때입니다 우리는 비행기를 호출합니다 왜냐하면 저는 제 팀을 방문하기 위해 꽤 많이 여행하기 때문입니다 이게 뭔지 알아? DIY 문화의 창입니다 인류의 역사에 대해 아주 간단히 설명하겠습니다

DIY를위한 식욕 그리고 책 "사피엔스 (Sapiens) 인류의 간략한 역사, "당신은 내가 무슨 말하는지 알지 우리의 인간 조상들은 이미 도구를 만들고 있었고, 아마 너도 알다시피 무기들, 도구들 돌과 나무를 사용합니다 이제 우리가 몇 세대의 인간을 건너 뛰면, 우리는 여전히 나무를 사용하여 물건을 만듭니다 이것은 나의 형제 중 하나이다, Mattias, 그리고 여동생, 리디아, 약 30 년 전 너랑 네 형제들, 똑같은 일을 했어 물건이나 뭐든지 다뤄 봤어

당신 손을 얹을 수 있습니다 이제 내가 빨리 전화를 걸어 보자 전자 시대 90 년대에 데스크톱 컴퓨터가 어떻게 나는 노트북에 대해서도 말하지 않고있다 데스크톱은 너무 비쌌습니까? 너 중에 누가 손을 보여줄지, 보러

예비 부품이있는 컴퓨터를 누가 만들었습니까? 네 나도 그랬어 네가 꽤 많이, 나는 유일한 사람이 아니야 누가 이것을 위해 너무 오래 됐어 이 애니메이션 이미지에서 볼 수 있습니다

오버 헤드 프로젝터와 LCD 분해 방법 저렴한 수제 비디오 프로젝터를 만드는 스크린 그런데 분명히 우리 엄마는 짜증이났다 모든 전자 장치가 거실의 모든 곳에 있기 때문입니다 그래서 그녀가 외쳤다 신선한 공기가 필요해

좋아 그래서 나는 밖에 나갔다 쓰레기 봉지 재사용 태양열 풍선을 만들 쓰레기 봉투 1 달러 그것은 나를 거의 들어 올릴 수 있습니다 하지만 언젠가는 거기에 갈거야

그러나 전자 제품의 매력은 너무 강했다 그래서 형제들과 나는 내 형제들과 내 형제 중 한 명으로 돌아 왔습니다 다른 하나, 플로리안 – 3D 프린터, 수제 3D 프린터로 시작되었습니다 이것은 내 다른 형제, 오른쪽에있는 형제입니다 왼쪽은 사실 박물관에있는 사진입니다

제가 말했듯이, DIY는 매우 초기부터 우리의 DNA에 있습니다 Google의 DNA에도 있습니다 4 년 전, Google 엔지니어가 파리 사무소 – 나는 파리를 언급했다 왜냐하면 나는 사실 프랑스 사람이야 이 엔지니어는 VR 플랫폼을 표시하기 위해 I / O에 왔습니다

그는 20 %의 혁신 시간 동안 골판지를 사용하여 건축했습니다 그로부터 2 년 전, Google에서 Daydream VR 플랫폼이라고 부르는 것입니다 여기 재미있는 것이 있습니다 제작자 문화는 모두 하드웨어에 관한 것입니다 한 편에는 물리적 인 대상을, 다른 한편으로는, 소프트웨어 -이 DIY 문화의 조합 해커 문화와 2006 년 이래로 Maker Faire에 대해 들어 보셨을 것입니다

주변에 제작자 공간이있을 수 있습니다 당신이 살고있는 당신의 도시에서는 아무도 없습니다, 그렇다면 왜 시작하지 않으시겠습니까? 이 메이커 공간 중 하나? 이 메이커 문화에 대한 좋은 점 당신이 손으로하는 것을 통해 배우는 것입니다 너는 실수를 저지를거야 그래서? 상관 없어요 그것은 배우고, 새로운 것을 시도하는 아주 좋은 방법입니다

서로 배우고 새로운 응용 프로그램을 찾습니다 그 기술로 만들 수 있습니다 당신의 배경은 중요하지 않습니다 사실 믹스 앤 매치가 가능할 때 더 좋습니다 기술의 새로운 응용 프로그램을 찾는 다른 도메인

이제 무엇이 있는지 살펴 보겠습니다 지난 몇 년 동안 일어났다 이제 라스베리 파이와 같은 마이크로 컨트롤러가 생겼습니다 구름이 더 싸게되었습니다 리튬 배터리는 더 저렴 해졌습니다

당신은 리튬 배터리, 그 비용, 지난 8 년간 80 %가 감소 했습니까? 그리고 인공 지능, 인공 지능, 특히 어제부터, 그리고 개념들 기계 학습, 심 신경 네트워크와 유사합니다 복잡하게 들리는군요, 그렇죠? 그럴 필요는 없습니다 그럴 필요는 없습니다 그리고 이것이 AIY와 함께하는 이유입니다 우리가 작년에 소개 한 AI, 인공 지능, 너는 재미있게 놀 수있다

이 메이커 문화의 아이디어 무엇보다 먼저, 이 경우에는 인공 지능을 사용하여 재미를 느낄 수 있습니다 우리는 AI를 당신의 손에 문자 그대로 넣고 싶습니다 실제 문제를 풀 수 있습니다 우리의 AIY 키트는 오픈 소스입니다 그들은 하드웨어와 소프트웨어를 결합합니다

AI는 장치 자체에 직접 통합됩니다 앞서 언급 한 본질은, 쉽게 사용할 수있는 구성 요소를 사용하여 저렴한 비용으로 유지하는 것입니다 행성의 거의 모든 곳에서 찾을 수 있습니다 그리고이 키트는 조립이 매우 쉽습니다 Dushyantsinh, 얼마나 오래 걸릴까요? 이 키트 중 하나를 조립 하시겠습니까? 재서야 : 15 분에서 30 분

세바스챤 TRZCINSKI-CLEMENT : 15, 30 분 좋아요 한 시간은 엄마가 나는 매우 어색하다고 말하려고합니다 고마워 엄마 그녀가 지켜보고있는 것을 안다

따라서이 키트를 조립하는 데 한 시간 이상 걸리지 않도록하십시오 Dushyantsinh와 빌 바로 직후에, 단 몇 분만에, 이 키트 중 일부를 보여줄 것입니다 당신이 그들과 함께 할 수있는 것 – 보이스 킷과 비전 전부 그러나 우리와 함께있어 라 다가오는 몇 주와 앞으로 몇 달 안에, 그 공간에서 더 많은 발표가있을 것입니다

이제 한번 살펴보고 이것으로 마무리하겠습니다 당신 중 일부는 이미 만들었습니다 이 예에서는 몇 초 만에 여러분을 보여 드리겠습니다 프로그래밍 경험이없는 16 세 다음 유스 케이스를 제시했다 약 20 초 동안 비디오를 재생 해 봅시다

LAWRENCE : New York Yankees 야구 모자를 구입하십시오 이제 실제로 무슨 일이 벌어지고 있습니까? 음성 키트 : 완료 로렌스 : 그래서 그녀는 방금 말 했잖아, 그렇지? 그래 LAWRENCE : OK 그래서 실제로 무슨 일이 일어 났습니까? 그 일이 끝났을 때, 그것은 eBay에서 찾은 후 내 이메일에 대한 링크를 보냈습니다

따라서 온라인 결과를 찾고, 이메일에 링크를 보내고, 나는 그 사람들을 받게 될 것입니다 클릭하고 구입하십시오 세바스챤 TRZCINSKI-CLEMENT : 그렇다면 로렌스와 고등학교 아이와 여기서 일어났어 제품을 사러 갔다 처음에 그렇게 들었는지는 모르겠다

"나는 야구 모자를 사고있다" 그리고 그것은 결과를 위해 eBay에서 검색하고 있었고, 장치가 완료된 직후에 이메일로 전송되었습니다 그럼 코드를 살펴 보겠습니다 그것은 단지 여러분이 처음에 들었 으면, "나는 야구 모자를 사고있다 그리고 이베이에서 결과를 찾고 있었고, 바로 다음에 [오디오 출력]에 이메일이 전송되었습니다

장치가 완료되었습니다 그럼 코드를 통해 [오디오 아웃]을 가져 오도록하겠습니다 처음에 들었 으면 그냥 [오디오 출력]입니다 나는 야구를 위해 쇼핑 중입니다 [AUDIO OUT] 우리는 결과에 대해 eBay에서 검색하고 있습니다 [오디오 출력] [AUDIO OUT] 직후에 이메일을 통해 이메일을 받았습니다 처음에 들었 으면 그냥 [오디오 출력]입니다

나는 야구 모자를 사러 간다 [AUDIO OUT] 코드를 통해 그냥 들었 으면 [오디오 아웃]입니다 처음에는 나는 야구 모자를 사러 간다 [AUDIO OUT] 동영상에서 모든 결과가 기억납니다 이메일을 통해 전송됩니다

여기에 코드가 있습니다 우리는 각 결과를 처음부터 끝까지 살펴볼 것입니다 코드의 라인을 그곳에 올려 놓고 이것을 이메일로 포맷하십시오 경험이없는 사람이라도 인정할 수 있습니다 프로그래머, from, to, subject 등이 있습니다

그게 전부 야 아무것도 더 우리가 할 마지막 일은 바로 연결하는 것입니다 서버, 전자 메일 서버에 보내고 전자 메일을 보내면됩니다 장치가 "완료"라고 말하도록하십시오

그게 전부 야 더 이상 아무것도 없습니다 말 그대로 복사하여 붙여 넣을 수 있습니다 효과가있을 것입니다 이제 AIY로 일을 할 차례입니다

그리고 당신이 충분히 영감을받지 못했다면, 지금 Dushyantsinh를 무대에 올 테니 음성 키트로 데모를 할 수 있습니다 귀 기울여 주셔서 대단히 감사합니다 그리고 Dushyantsinh를 무대에 다시 맞이하십시오 JUSA : 더 감사합니다, Sebastian

내 이름은 Dushyantsinh이고 개발자 관계의 일부입니다 Google 팀 그리고 모두와 마찬가지로, 우리 모두는 가능성에 흥분하고 있습니다 인공 지능이 우리 앞에서 옳은가? 이것은 더 의미 있고 더 영향력있게됩니다 우리 모두가 접근 할 수있을 때 이 멋진 플랫폼 Google은 업무와 발전을 공유했습니다

인공 지능 분야 제품을 구축하고 연구 논문을 공유하며, AIY 키트를 사용하면 더 많은 사람들에게 더 장난기있는 방식으로 데려가, 그러나 그것은 당신이 풀 수있을 정도로 강하다 정말 좋은 문제들 그럼 우리가 그 중 일부를 해결할 수있는 방법을 보도록하겠습니다 그리고 우리가이 키트를 함께 생각할 때, 너의 생각, 무슨 말이, 무엇 이걸 사람들 앞에 놓는 게 옳은가? 그리고 물론, 목소리도 그 중 하나였습니다 그것은 아주 분명했습니다

우리 모두는 말하기를 좋아합니다 우리가 놀 수있는 힘이 있다고 상상해보십시오 목소리로 얼마나 즐거웠 을까요 기조 연설에서 언급 한 [INAUDIBLE] 어제 WaveNet에 대해, 당신이 다른 목소리를 어떻게 만들 수 있는지 그래서이 데모에서 나는 단지 이야기 할 것입니다

AIY 키트의 기능에 대해 클라우드 음성 API 및 Google Assistant API 사용 그러나 물론 이것보다 훨씬 많은 것이 있습니다 보이스 킷은 작년 중반에 출시되었습니다 내가 틀렸어도 많은 관심을 받았어 보이스 킷에는 기본적으로 몇 가지 소프트웨어가 결합되어 있습니다 일부 하드웨어가 있습니다

그것은 라스베리 파이 재단과 함께 판매되었습니다 우리는 기존 제조업체로부터 얻을 수있는 피드백을 확인합니다 지역 사회와 우리의 제안을 개선하려고합니다 우리는 음성 키트의 두 번째 버전을 출시했습니다 언젠가 1 월에 모든 피드백을 통합 할 것입니다

원 박스 구성 요소 키트로 모든 것을 만들 수 있습니다 그래서 그것이 당신이 오늘 얻는 것입니다 AI 웹 사이트에 가서 음성 키트를 살펴 본다면, 이것은 당신이 아마 거기에서 발견 할 것입니다 그러나 키트에는 무엇이 들어 있습니까? 하드웨어 관점에서 보면 Raspberry Pi Zero, 기본적으로 음성 보닛이 있습니다 당신을 위해 오디오 프로세싱을 수행하는 하드웨어 조각, 보이스 보닛에는 다른 구성 요소가 있습니다

마이크가 있고, 코덱, 마이크로 컨트롤러, 일반 다목적 입력 출력 및 아케이드 버튼 기본적으로 시각적 인 표시를 제공합니다 어떤 시점에서든 보이스 킷을 사용하면됩니다 그리고 소프트웨어 관점에서 볼 때, 기본적으로 Raspbian Linux에서 실행됩니다 Google Assistant API를 사용하고 Cloud Speech API를 사용합니다 그러나 물론, 당신은 그것으로 많은 것을 할 수 있습니다

이것은 단지 보이스 킷의 표면을 긁적입니다 그럼 어떻게 시작할 수 있니? 매우 간단합니다 3 단계 프로세스로 생각하십시오 1 단계는 키트 조립에 관한 것으로, 2 단계에서 기기를 설정하는 중입니다 3 단계는 모든 것을 설정 했으므로 당신은 스스로 해결할 수있는 몇 가지 솔루션을 만들 수 있습니다

키트를 여는 경우 이것이 보이는 모양입니다 우선 모든 요소가 올바른지 확인하십시오 골판지, 모든 다른 하드 우드 웹 사이트에 언급되어 있습니다 모든 구성 요소가 준비되어 있는지 확인하십시오 함께 조립하기 전에 확인한 후에는 다음 단계로해야합니다

엔진을 만드는 것입니다 자동차를 만드는 것으로 생각하십시오 당신은 엔진을 만들고있어 라즈베리 파이를 넣을거야 음성 보닛을 함께 사용하십시오 일단 당신이 엔진을 조립하면, 이제는 섀시를 만들고 있습니다

그래서 그것은 당신의 차를위한 구조의 종류입니다, 또는 보이스 킷을위한 구조 그래서 당신은 기본적으로 골판지를 가져 가야합니다 그것은 스피커의 구조를 갖게됩니다 골판지를 만든 다음에는 엔진을 넣으십시오 당신은 그 안에 라스베리 파이와 보닛 보닛을 넣습니다

그게 전부 야 그것은 아주 쉽고, 아주 재미 있습니다 나를 위해, 처음 시도했을 때 뭔가가 걸렸다 약 15 ~ 20 분 하지만 너희들은 많이, 많이 있다고 확신한다

당신보다 더 빨리 나아갈 수 있습니다 여기에서 중요한 것은 빨리하지 말고, 그렇게하십시오 그것에서 좋은 재미 방법으로 그래, 그래 그게 전부 야

음성 키트를 조립했습니다 2 단계는 기본적으로 기기를 설정합니다 이 시점에서, 당신이 원하는 것 할 일은 이제 내 장치가있다 또는 내 보이스 킷은 어느 정도 좋은 모양과 형태로 존재합니다 내가 그것에 목소리를 내 보자

모든 것이 잘 작동하는지 보도록하겠습니다 그래서 이미 음성 키트가 있습니다 여기, 그리고 내 보이스 킷으로 돌아갈거야 모든 것이 잘 작동하는지 확인하십시오 따라서 시작하기 전에 모든 것을 갖춰야합니다

너를 위해 달리기 따라서 네트워크에 연결되어 있다고 가정 해 보겠습니다 이것은 유선 네트워크이거나 무선 네트워크 일 수 있습니다 또는 휴대 전화에서 테 더링하는 경우, 본질적으로 어떤 종류의 연결이있다 보이스 킷을 인터넷에 연결해야하기 때문입니다

Google Assistant 및 Speech를 사용하고 있습니다 인식을위한 API 온라인 상태인지 보겠습니다 좋은 나는 인터넷 관점에서 모두 설정 한 것 같습니다

내 오디오가 잘 작동하는지 확인해 보겠습니다 키트의 오디오가 잘 작동하는지 확인하십시오 VOICE KIT : 프론트, 센터 재스민 : 자존심 내 목소리가 들리는 지 보자

테스트 하나 둘 셋 VOICE KIT : 테스트 하나 둘 셋 재스민 : 자존심이 좋아 보인다

이제 거의 다 됐습니다 좋은 점은 보이스 킷에는 미리 만들어진 데모도 포함되어 있습니다 그것들이 너보다 먼저 잘 보이는지 보는 것도 좋다 자신을 만들기 시작하십시오 Pi 디렉토리로 가서 Pi10 음성을 보면 여기 예제가 있습니다

그리고이 라이브러리 데모를 사용해 보겠습니다 안녕, 구글, 지금 뭐야? VOICE KIT : 1:50입니다 재수정 : 감사합니다 그래서 당신은 많은 것들을 시도 할 수 있습니다 내가 뭘하고 있었는지는 내가 방금 테스트 중이 었어

일이 잘 작동하면 지금 당연히 당신은이 시점에서 물어볼 수 있습니다 다른 질문들 이제 상황이 괜찮은 것 같습니다 내가 무언가를 만들 수 있는지 아닌지를 알려주지

다시 발표하겠습니다 슬라이드로 돌아갈 수 있을까요? 네 따라서 기기가 정상적으로 작동하는지 항상 확인하는 것이 좋습니다 혼자서 건물을 짓기 전에 저는 전형적인 쇼핑 경험을 쌓았습니다

잘하면 잘 작동하지만 잘보아야합니다 세트가 실제로 표까지 아니었기 때문에, 한 번만 더 해보 죠 데모로 전환 할 수 있습니까? Sebastian이 보여 주었던 것처럼, 그는 코드를 보여주고있었습니다 음성 조종사에게 명령을 내리는 것이 대부분이었습니다 말하라

뭔가 사러 가라 그리고 나서 그것은 텍스트를 식별하려고 시도하고있었습니다 API 중 하나를 호출하고있었습니다 내가 믿고 이베이에서 왔고 근본적으로 결과의 일부를 먹이려고 노력한다 이메일로 보내십시오

비슷한 행동을 모방하려고했습니다 데모 코드가 나와 함께 있는지 봅시다 그래서 지금이 시점에서 제가하고있는 일은, 그냥 쇼핑을하러 갈거야 어머니의 날이 다가오고 있기 때문에 그리고 나는 그 시간에 맞추지 않을 것이고, 나는 원한다 우리 엄마 한테 무언가를 보냈어

그리고 나는 생각하고 있었다, 무엇이 재미있을 수 있었느냐? 외관상으로는 smartwatch는 큰 것이다, 그래서 나는 생각했다, 좋아, 아마 내가 그녀에게 smartwatch를 줘 보자 보이스 킷을 사용하여 스마트 워치를 찾을 수 있는지 보겠습니다 안녕, 구글 smartwatch를 구매하십시오 시원한

음성 키트 : 완료 DUSHYANTSINH JADEJA : 그래서 당신이 한 일을 보면, 그것은 기본적으로 내 목소리 또는 내 명령을 인식, 특정 서비스와 연결되어, 나와 사용할 수있는 스마트 워치를 표시했습니다 구매에 그리고 지금,이 시점에서, 저는이 결과를 얻을 수 있습니다 세바스찬이 언급 한 것처럼 이메일을 보냅니다

또는 스마트 디스플레이 장치가있는 경우, 나는 기본적으로 그곳에 게시 할 수 있고, 좋은 시각적 인 목록을 줄 수 있으며, 이것들과 같은 것들이 있습니다 또는 나는 조금 더 대화에 참여할 수있다 그것으로 슬라이드로 다시 이동할 수 있습니까? 하지만 할 수있는 일이 많습니다 맞습니까? 내가 여기서 강조하려고했던 것 장치로 가능한 많은 것들이 있다는 것입니다

당신이 그걸 가지고 놀 수있는 곳 또한 소프트웨어를 하나의 소프트웨어로 볼 수는 없습니다 그것의 측면,하지만 당신은 또한 실험 할 수있는 몇 가지 하드웨어에있는 것들을 그래서 우리는 오래된 장난감을 가지고있는 사람들을 보았습니다 보이스 키트 (Voice Kits) 또는 다른 AIY 키트 시체를 소생 시키거나 그 장난감에 생명을 불어 넣으십시오 우리는 사람들이 보이스 킷용 선반을 사용자 정의하는 것을 보았습니다

기기 리믹스를 한 사람이 있습니다 Roomba 진공 청소기에 음성과 시각을 제공합니다 그럼 당신은 그들에게 말할 수 있습니다, 좋아, 하지마 집의 이쪽으로 가면서 다른쪽으로 가라 집 섹션의

또는 완전한 사용자 지정 음성 액션을 만들 수도 있습니다 그래서 많은 것들이 가능합니다 만약 당신이 그것에 대해 더 알고 싶다면, Instagram 또는 Twitter에서 우리를 팔로우 할 수 있습니다 또는 AIY 프로젝트로 Reddit에 대한 토론을 따르십시오 그걸로 빌에게 무엇이 더 필요한지 더 많이 알리도록하겠습니다

Vision Kit에서 발생합니다 빌 루앙 : 고마워 Dushyantsinh, 감사합니다 [INAUDIBLE] OK? 괜찮아 AIY 제품의 두 번째 제품 라인을 계속 사용하겠습니다

가족이 볼 수 있듯이 비전 키트입니다 비전 키트는 비교적 새로운 제품으로, 작년 말에 방금 발표되었습니다 우리는 새 버전 업데이트를했습니다 올해 1 분기 그래서 최신 버전은 1

1입니다 여러분이 보시다시피, 작년 12 월에 출시되었습니다 그것은 최신 라즈베리 파이 제로와 WH, 헤더가 보드에 납땜됩니다 따라서 초기 버전에서는 문제가 없습니다 핀을 직접 솔더링해야합니다

훨씬 쉽습니다 그것은 라스베리 파이 카메라 버전 2, Google에서 만든 Vision Bonnet 회로 기판, 그리고 그것은 모든 소프트웨어, 하드웨어, 인공물 인텔리전스에서 Google이이를 제품에 넣었습니다 비전 [INAUDIBLE]에 있습니다 이 특정 제품의 가장 독특한 것들, 인터넷에 연결할 필요가 없습니다 비전 인식 소프트웨어로 작업 할 수 있습니다

혼자서 그 상자에 따라서 시작하기 전에 자료 목록을 살펴 보겠습니다 Dushyantsinh가 보이스 킷 (Voice Kit)을 위해했던 것 – 비슷한 것 앞서 언급 한 것처럼 하드웨어 측면에서 볼 때, 그것은 최신 라즈베리 파이 제로 보드와 카메라를 가지고 있으며, Google이 Vision Bonnet을 제작했습니다 이 Vision Bonnet 회로 보드에는 Intel 비전이 포함되어 있습니다

인식 프로세서는 모든 컴퓨팅 기능을 갖추고 있습니다 비전 인식을 도와주는 힘 그 외에도 카메라 지원 기능이 있습니다 Raspberry Pi 케이블에 연결되어 있습니다 커넥터

또한 범용 입력 출력, 소위 GPIO 커넥터를 사용하면 나는 더 많은 일을 할 것이고, 나는 곧 다룰 것이다 또한 암호화 칩이 내장되어 있습니다 신호를 암호화하여 증권을 추가 할 수 있도록 도와줍니다 응용 프로그램의 측면에서 그런 다음 소프트웨어 측면에서 – 아, 버튼도 있습니다

골 판지 형태로 장치를 접을 수 있습니다 소프트웨어 측면에서 운영 체제는 동일합니다 그것은 Linux Raspbian 운영 체제에서 실행되며, TensorFlow, 이른바 Inception이 포함됩니다 그리고 사운드 장치 인 MobileNet 소프트웨어, 이 장치로 작업 할 인공 지능 모델을 만들 수 있습니다 AI에서 응용 프로그램을 수행 할 수 있습니다

그것은 얼굴 인식을위한 소프트웨어가 내장되어 있습니다 뿐만 아니라 일반 물체 인식 그래서이 모든 소프트웨어가 장치에있어 사용할 준비가되었습니다 그리고 그 구성 요소의 관점에서, 좀 더 자세히 설명해 드리겠습니다 비교적 새로운 제품입니다

하단의 하드웨어 수준에서 머리가 납땜 된 라스베리 파이 제로입니다 내가 말했듯이, 라스베리 파이 제로는 Wi-Fi가 내장되어 있습니다 및 블루투스 지원 인터넷에 연결할 수 있습니다 인터넷에 연결된 Wi-Fi가있는 케이블없이 원하는 경우 GPIO 연결을 통해 직접 연결할 수 있습니다

플렉스 케이블을 사용하여 Google Vision Bonnet 회로 보드에 연결합니다 추가 플렉스 케이블과 함께 그 회로 기판, 파이 카메라뿐만 아니라 추가 액세서리에 연결, LED, 푸시 버튼, 버저 등이 있습니다 기기에 부저가 있습니다 귀하의 신청서가 필요한만큼, 당신은 소리를 낼 수 있습니다 그런 다음 소프트웨어 측면에서 동일한 Linux Raspbian에서 실행됩니다

운영 체제 및 프로그램 파이썬 코드로 모두 실행되므로 파이썬 인터프리터가있다 그 위에 그리고 Google의 소프트웨어는 당신이 원한다면 3 개의 다른 모듈을 포함합니다 분할 프로세스의 측면에서 첫 번째는 TensorFlow 모듈입니다

비전 시작입니다 둘째, 안면 감지 기능이 있습니다 소프트웨어, 그리고 셋째, 그것은 객체 감지 소프트웨어를 가지고 있습니다 따라서 이러한 소프트웨어가 탑재되어 있고 이러한 모든 하드웨어를 사용하면, API 과정을 통해 애플리케이션 작성 이러한 구성 요소와의 인터페이스 이것이 모든 것을 하나로 모으는 방법입니다 그런 다음 같은 과정을 거치도록하겠습니다

Dushyantsinh는 보이스 킷의 관점에서 언급했습니다 그래서 첫째로, 당신은 그것을 조립합니다 조립 측면에서 매우 비슷합니다 상자를 구입했는데,이 부분, 판지 등이 있습니다 화면에서 볼 수 있듯이 프로세스 측면에서 볼 때, 건물은 비교적 쉽습니다

기본적으로 라스베리 파이를 비전과 연결합니다 보닛 – 오렌지색 케이블을 가진 케이블 – 그것들을 서로 연결하고 함께 쌓은 다음 골판지 상자를 접고이 모듈을 가운데에 삽입하십시오 거의 당신이 자동차에 엔진을 넣은 것처럼, Dushyantsinh가 언급했듯이 – 버튼을 연결하면됩니다 처음 40 분 동안 이걸 만들었습니다 두 번째로 그것을 만들었지 만 20 분 밖에 걸리지 않았습니다

그래서 매우 간단합니다 사실, 나 자신을위한 플러그가있다 나는 그것을 YouTube에 조립하는 방법에 대한 비디오 튜토리얼을 만들었습니다 따라서 지침을 읽지 않으려는 당신의 경우, 당신은 비디오를 볼 수 있습니다 그러나 그것은 매우 쉽고 간단합니다

승인 괜찮아 축하합니다 한 시간도 채 안되면 단숨에 빌드 할 수 있습니다 그런 장치

확인의 측면에서 설정, 이것은 매우 간단합니다 내가 말했듯이 이것은 반드시 인터넷에 연결해야합니다 따라서 연결은 전원 공급 장치 만 있으면됩니다 전원 공급 장치가 연결되어 준비가되었습니다 얼굴 인식 소프트웨어 때문에 우리는 당신이 힘을 얻은 후 장치에 내장했습니다

그것은 자동으로 얼굴 탐지 소프트웨어를 실행합니다 그래서 지금, 책상 위에, 나는이 Vision Bonnet을 가지고있다 나랑 그리고 당신이 볼 수 있듯이, 최고의 LED가 푸른 빛 – 버튼이 켜졌다 이제 내가 이걸 내 얼굴을 가리키면 볼 수 있듯이, 카메라를 나타내는 푸른 빛이 내 얼굴을 잡아 먹고 있습니다

웃는 얼굴, 행복한 얼굴로 카메라에 보여 주면, LCD의 밝은 색이 노란색으로 바뀝니다 그리고 내가 얼굴을 찡그린다면, 그것은 푸른 색으로 되돌아 갈 것입니다 그래서 이것을 설명하겠습니다 다들 볼 수 있니? 권리? 색상이 바뀝니다 자, 이것이 어떤 종류의 마술이 아니라는 말입니다

일할 때 인공 지능입니다 무슨 일이 있었는지, 그것은 AI와 함께 내부 소프트웨어입니다 얼굴 인식이있는 TensorFlow 모델 – 사실, 나는 1 분 안에 그것에 갈거야 얼굴 인식 소프트웨어를 만들 수 있습니다 따라서 설정이별로 없습니다

전원을 켜고 전원을 연결 한 다음, 얼굴 인식도 할 수 있습니다 이 데모를 Joy Detection이라고합니다 이는 기기와 함께 제공되는 제품의 일부입니다 괜찮아 그래서 조립이 매우 쉽고, 셋업이 매우 쉽습니다

자신 만의 솔루션을 만드는 방법 당신이 할 수있는 많은 소프트웨어가 있습니다 그리고 또 다른 데모를 해보 죠 화면을 다른 장치의 출력으로 전환하십시오 지금 볼 수 있듯이 나는 Raspbian 소프트웨어를 실행하고 있습니다

운영 체제가 있고 소프트웨어를 보여주는 창이 있습니다 간단한 데모를 시작하여 객체 분류입니다 그래서 데모부터 시작하겠습니다 오른쪽에있는 화면에서 볼 수 있습니다 옆에 카메라가 있고 비디오 이미지가 캡처됩니다

카메라로 그리고 테이블 위에 나는 사과와 바나나를 가지고 있는데, 코카콜라도 할 수 있습니다 이것은 내가 조합 한 임의의 객체입니다 이제 보시다시피 화면 왼쪽에 시작 아웃 출력 스트림이 있습니다 물체 분류에 따라 화면에 둡니다

우리가 장치에 넣은 소프트웨어 이제, 나는 그 모든 것을 잠시 후에 설명 할 것입니다 먼저 데모를 해 보겠습니다 이 점을 바나나에게 알려주지 그리고 당신은 스크린의 왼편에서보아야합니다

이 물건을 발견했다고 말할 겁니다 바나나, 바래요 이제 사과를 가리키면 사실 사과인지 알게 될거야 할머니 스미스라고해야합니다 실제로 사과의 종류를 인식합니다

그리고 이미 이전에 시도 했었는데, 나는이 코카콜라가 할 수 있음을 지적했다 나는 그것이 무엇을 말할 지 모르지만, 더 일찍 나에게 말하고 있었다 그것은 펀치 백이라고 생각합니다 글쎄, 펀치 백은 붉은 색이야 이렇게 생겼어

그러니 그 신청서를 중단하고 이 창은 조금 더 커 그리고 왼쪽에서 볼 수 있듯이, 첫 번째 열 번호, 그것은 물체 인식입니다 그것은 그것을 인식합니다 그것은 그것이 바나나라고 말합니다 그 이후의 숫자는 소위 신뢰 점수입니다

AI가 이것이 바나나라고 생각하는 것에 대해 자신감을 갖거나 유사하게, 할머니 스미스 사과 인 사과에게 이 신뢰 수준은 인식 부분을 알려줍니다 진정으로 그것이 발견하는 대상이라고 생각합니다 이 숫자들, 소프트웨어로부터의 이러한 종류의 피드백, 당신은 많은 응용 프로그램을 만드는 데 사용할 수 있습니다 슬라이드로 다시 전환하십시오

당신이 볼 수 있듯이 화면의이 이미지는 아주 비슷 하죠? 그것은 신뢰 점수와 함께 물체를 인식했다 이 번호를 사용하여 응용 프로그램을 디자인 할 수 있습니다 비전 키트로 정확히 무엇을 할 수 있습니까? 음, 제가 말했듯이, 당신은 이미 그것을 볼 수 있습니다 객체 탐지를 수행합니다 그리고 그것은 얼굴 탐지를 가지고 있습니다 – 이것들에 내장 된 소프트웨어와 API 과정을 통해 당신은 이것을 활용할 수 있습니다

자동으로 사진, 비디오 및 사진을 찍을 수 있습니다 응용 프로그램에 출력을 보냅니다 이미지 분류가 있습니다 보았다, 사과와 바나나에게 말할 수있게, 그리고 다른 것들을 한꺼번에 그러나 조이 디텍트 (Joy Detect)가 입증 한 것처럼 가장 중요한 것은, 당신은 자신의 인공 지능 기계 학습 소프트웨어를 실행할 수 있습니다 이 장치에서 사용자 정의 된 TensorFlow를 작성하여 모델

이제 여러분 중 일부는 생각할 수도 있습니다 어떻게해야합니까? TensorFlow 모델을 구축한다는 측면에서 다소 혼란 스럽습니다 그것은 매우 강력한 것입니다 어떻게 그걸합니까? 괜찮아 그래서 당신에게 과정을 소개하겠습니다

맞춤형 모델은 어떻게 처리합니까? 그래서 우선, 첫 번째 숫자 – TensorFlow로 구축 한 모든 기계 학습 모델, 당신은 훈련 할 모델을 만들고 있습니다 따라서 자신의 모델을 지정하고 교육하는 것이 첫 번째 단계입니다 두 번째 모델은 다른 TensorFlow 모델과 마찬가지로, 당신은 최종 결과를 얻는다, 당신은 소위 수출 모델을한다 소위 고정 그래프로 어떤 모델이든, 고정 된 그래프를 생성 할 수 있습니다 그러나 고정 그래프는 자체 포맷을 가지고 있습니다

이 형식은 Vision Bonnet 하드웨어에서는 이해할 수 없습니다 그렇게 여하튼, 우리는 경기를해야합니다 일치가 다음 단계 일 때, 소위 컴파일러입니다 Google은 이른바 보넷 모델 컴파일러를 제공합니다 고정 그래프 바이너리 코드 가져 오기 컴파일 된 코드를 통해 컴파일을 실행하십시오

자신 만의 맞춤형 컴퓨터 그래프를 생성합니다 따라서 사실상 다른 것은 최종 결과에서, 당신은이 세 단계를 거치고 있습니다 바이너리 파일이 있습니다 이 파일은 귀하의 기계 학습 모델을 정의합니다 그런 다음 하드웨어 측면에서 물론 우리는 Raspberry Pi, 비전 보닛이 있습니다

Raspberry Pi에는 Python 프로그램이 있습니다 API 과정을 사용하고,이 컴퓨터 그래프를 보내고, 원한다면 Vision Bonnet에 다음 단계는 코드를 작성하는 것입니다 자습서 및 예제 모델을 살펴볼 수 있습니다 모델 함수의 코드, 기본적으로 이 컴퓨터 그래프를 Vision Bonnet으로 보냅니다

이 특별한 경우에, 컴퓨터 그래프 비전 보닛이 일치합니다 그들은 무슨 일이 일어나고 있는지 이해합니다 그리고 나서 카메라를 타고 가다 모든 입력 이러한 입력은 2 진수로오고 있습니다

그러나이 컴퓨터 그래프 때문에, 우리는 기계 학습에 관계없이 이러한 입력을 조정합니다 기본적으로 묶이는 텐서 다차원 어레이 이제 다음 단계는 일치해야합니다 이 텐서, 배열 묶음, 당신의 모델로 이미지 이것이 바로 우리가이 컴퓨팅이라고 부르는 것입니다 기본적으로 단계는 프로그램을 작성하는 것입니다

당신은이 Vision Bonnet 하드웨어를 가지고 있습니다 계산을 수행하고 신호를 보냅니다 출력합니다 여기 코드가 있습니다 당신이 볼 수 있듯이 어떻게 당신의 얼굴을 정의합니까? 얼굴 개체는 경계 상자, 얼굴 점수 및 기쁨 점수

당신은 그와 같은 인수 코드를 작성합니다 이것이 당신의 구조입니다 당신은 그것을 구조로 보내고, 나의 모델에서는, 4 명이 있으려면이게 필요해 그리고이 4 가지 숫자는 제 기계 학습 모델과 일치합니다 마지막으로 애플리케이션 코드에서 방금 말한대로,이 텐서에서 결과를 얻도록하겠습니다

여부를 기쁨 점수, 얼굴 점수, 뭐든간에, 당신은 그것을 최종 결과로 가져갑니다 그리고 당신은 결정을 내리고 말할 수 있습니다, 점수는 어떤 숫자보다 큰 숫자를 기반으로합니다 내 색 빛을 바꿔라 그래서 이것은 당신이 말한 것과 정확히 똑같습니다 자신의 기계 학습 모델 사용하기 비전 키트와 함께

괜찮아 그래서 프로젝트를 확장하는 것에 대해 이야기 해 봅시다 우리는 소프트웨어에 대해 이야기했지만 하드웨어는 어떻습니까? AIY 보드에는 내가 지적한 빨간색 원이 있습니다 추가 GPI 핀이 있습니다 이러한 핀을 사용하면 출력을 제어 할 수 있습니다

불을 켜고, 팬을 켜고, 네가 할 수있는 일이라면, 소리내어 보내라 따라서 이러한 것들을 통해 프로젝트를 확장 할 수 있습니다 그리고 그 컨트롤을 보드에 추가하면 더 많은 일을 할 수 있습니다 하드웨어 적으로 대부분의 일을 할 수있는 제작자입니다 괜찮아

그래서 우리는이 모든 것을 통과했습니다 우리는 조립에 대해 이야기했습니다 어떻게 설정합니까? 어떻게 자신의 일을합니까? 그리고 가장 중요한 것은, 나는 AIY를 사용하기를 원한다 AIY의 힘은 정말로 연결되어있다 Google과 같이 제공되는 많은 서비스 TensorFlow와 같은 조수

이 모든 서비스 기능을 활용하고 싶습니다 AIY는 글로벌 오픈 소스 커뮤니티의 일원입니다 우리는 GitHub에 이것을 게시하고, Raspberry Pi와 함께 작업합니다 Foundation, 우리는 Hackster, 그래서 온라인 메이커에 몰두하십시오 전세계 커뮤니티

그리고 이것은 제작자를 만드는 재미의 일부입니다 알았어 나는이 기회를 빌어 서 모두에게 말하고 싶다 여기 관중 들어, 미국에서 온 사람들, 지금 진행중인 콘테스트에 참가할 수 있습니다 해커 스터 (Hackster)와 중국 교육부 (Ministry of Education) 이른바 영미 중공업 대회 (Young-China Makers Contest)라고 불린다

우승자는 중국으로 모든 비용을 지불해야합니다 방 안에있는 당신들, 당신은 미국 제조사들입니다 이 콘테스트에 참가하십시오 Hackster의 웹 사이트에 대한 자세한 내용 괜찮아

오늘 우리의 대화에서 가져온 열쇠, Sebastian과 Dushyantsinh의 언급 그 이야기의 일부에서, 그리고 나의 것, 중요한 테이크 아웃은, 자원별로, 글로벌 AIY 웹 사이트 이 주소는 aiyprojectswithgooglecom입니다 키트는 지금 구매할 수 있습니다 미국의 대상 상점에서 그리고 다음 주말 베이 지역에서도 Maker 's Faire가 있습니다

Maker 's Faire에 가입하는 지역에 계시다면, Maker 's Faire에서 키트를 얻을 수 있습니다 Python 프로그래밍을 사용하여 Raspberry Pi를 사용하여 학습 당신이 필요로하는 것의 일부입니다 귀하의 응용 프로그램을 확장하기 위해 자신을 참여 시키려면, TensorFlow 기계 학습 모델 사용 AI의 힘을 응용 프로그램에 실제로 구현할 수 있습니다 그리고 그것은 AIY의 힘입니다 그리고 마침내, 요약에, 나는 행동 촉구를 말할 것이다

네가 할 수있는 일들 모두가 할 수있는 우리의 키트를 가져 와서 건물을 시작하십시오 많은 재미와 물론 많은 Google 서비스를 배우게됩니다 Google I / O에는 Google Cloud, Google에 세션이 있습니다 TensorFlow의 어시스턴트 그 지식과 기술을 배우는 데 참여하십시오 다양한 센서, 컨트롤을 얻을 수 있습니다

해당 장치의 GPIO 포트에 연결합니다 재미있는 응용 프로그램을 많이 만들 수 있습니다 AI 기능을 활용할 수 있습니다 마지막으로 온라인 커뮤니티에 가입하십시오 우리는 곧 글로벌 AIY 모델 교환을 발표 할 것입니다

그 위에 응용 프로그램을 넣으십시오 전 세계 개발자 커뮤니티와 지식을 공유하십시오 그래서 세바스찬과 두샨 in과 함께, 오늘 우리 세션에 참여해 주셔서 감사드립니다 오늘 당신의 여행을 시작하십시오 고맙습니다

Bringing AI and machine learning innovations to healthcare (Google I/O ’18)

[음악 재생] 릴리 펭 : 안녕 모두들 내 이름은 릴리 펭이야

나는 의사로서 훈련을하고 있으며 나는 Google 의학에 종사하고있다 잘, Google 인공 지능 건강 관리 팀 저는 제품 매니저입니다 그리고 오늘 우리는 몇 가지 프로젝트에 대해 이야기 할 것입니다 우리 그룹에서 우리가 해왔 던 그래서 처음에는, 당신이 많은 것을 얻을 것이라고 생각합니다

그래서 나는 이것을 너무 많이 지나치지 않을 것입니다 그러나 우리는 깊은 학습을 적용하기 때문에 의료 정보에, 나는 원하는 종류의 조금만 사용되는 몇 가지 용어를 정의하는 것 그러나 다소 불충분하게 정의됩니다 그래서 처음으로, 인공 지능 – 이것은 꽤 광범위한 용어이며 그 거대한 프로젝트를 포함합니다 비인간적 인 지능을 구축한다 기계 학습은 특별한 유형입니다 인공 지능에 대해서, 그것은 더 똑똑해질 수있는 기계를 가르치고 있습니다

그리고 깊은 학습은 특별한 유형입니다 너희들 기계 학습의 아마 꽤 많이 들었고 꽤 많이 들었습니다 우선 무엇보다 깊은 학습이란 무엇입니까? 그래서 인공 신경 네트워크의 현대 환생입니다 실제로 1960 년대에 발명되었습니다 그것은 조직 된 단순한 훈련 가능한 단위의 모음입니다 레이어에서

그리고 그들은 함께 작업하여 복잡한 작업을 해결하거나 모델링합니다 따라서 일반적으로 데이터 세트가 작고 계산이 제한적일 경우, 우리가 1980 년대와 90 년대에 가진 것입니다 일반적으로 다른 접근 방식이 효과적입니다 그러나 더 큰 데이터 세트 및 더 큰 모델 크기 더 많은 컴퓨팅 성능을 제공한다면, 우리는 신경 네트워크 훨씬 더 잘 작동합니다 실제로 두 가지 테이크 아웃이 있습니다

너희들이이 슬라이드에서 나가길 바란다 하나는 깊은 학습 열차 알고리즘입니다 충분한 데이터가 주어지면 매우 정확합니다 두 가지, 깊은 학습이 이것을 할 수 있습니다 기능 공학없이 그리고 그것은 명시 적으로 규칙을 쓰지 않고 의미합니다 그럼 그게 무슨 뜻이야? 글쎄, 전통적인 컴퓨터 비전에서, 우리는 규칙을 쓰는 데 많은 시간을 할애한다

특정 예측 작업을 수행하기 위해 기계가 따라야한다는 것을 의미합니다 길쌈 신경 네트워크 (convolutional neural networks) 우리는 실제로 기능에 거의 시간을 소비하지 않습니다 이러한 규칙을 작성하고 작성합니다 우리가 데이터 준비에 소비하는 대부분의 시간 수치 최적화 및 모델 아키텍처 그래서 나는이 질문을 꽤 많이 받는다

그리고 문제는 얼마나 많은 데이터가 충분한 데이터인지입니다 깊은 신경 네트워크? 일반적으로 더 많은 것이 좋습니다 그러나 특정 시점을 넘어선 수익이 감소하고 있습니다 일반적인 경험 법칙은 클래스 당 약 5,000 개의 긍정적 인 것을 좋아합니다 그러나 중요한 것은 좋은 관련 데이터입니다

쓰레기통에, 쓰레기통 이 모델은 예측하기 위해 무엇을 요구 하는지를 매우 잘 예측합니다 그래서 당신이 기계 학습을 어디에서 생각하는지, 특히 깊은 학습은 가장 큰 영향을 미칠 수 있습니다 실제로 장소에 있습니다 살펴볼 많은 데이터

우리 이사 중 한 명인 Greg Corrado가 최선을 다합니다 깊은 학습은 당신이 해낸 일에 정말 좋습니다 시간, 그리고 10,001 번째 시간에, 당신은 단지 그것의 아플 뿐이에요 더 이상하고 싶지 않아 그래서 이것은 검진에서 건강 관리에 정말 좋습니다

많은 환자를 볼 수있는 응용 프로그램 잠재적으로 정상입니다 전문 기술이 제한되어있는 곳에서도 좋습니다 오른쪽에 그래프가 나타납니다 세계 각국의 방사선과 의사 부족의 부족 그리고 이것은 다른 의학 전문 분야에도 해당됩니다

그러나 방사선과 의사가 여기 있습니다 그리고 우리는 근본적으로 의료 전문 지식의 세계적 부족을 봅니다 그래서 심사 신청 중 하나 우리 그룹이 당뇨병 성 망막증을 앓고 있습니다 더 쉽기 때문에 우리는 이것을 DR이라 부릅니다 당뇨병 성 망막증보다

그리고 예방 가능한 실명의 가장 빠른 성장 원인입니다 당뇨병 환자는 모두 4 억 5 천만 명에 달합니다 1 년에 한 번 상영됩니다 이것은 뒤의 사진을 찍음으로써 이루어진다 특별한 카메라로 눈의 모습을 볼 수 있습니다

그리고 그림은 그 것처럼 조금 생겼습니다 의사가 이런 이미지를 얻을 때 의사가하는 일 질병없이 1에서 5 단계로 등급을 매기 는가, 건강하고, 질병을 번식시키고, 그것은 마지막 단계입니다 그리고 그들이 등급을 매길 때, 때로는 매우 미묘하게 보입니다 결과, 미세 동맥류라고하는 작은 것들 그것은 눈의 혈관에 outpouchings입니다 그리고 그것은 당뇨병이 얼마나 안 좋은지를 나타냅니다

당신의 비전에 영향을 미치고 있습니다 그래서 불행히도 세계의 많은 지역에서, 이 일을하기에 안과 의사가 충분하지 않습니다 그래서 인도에있는 한 파트너와 함께, 또는 실제로 인도에있는 우리의 파트너 몇, 전국에 127,000 명의 안과 의사가 부족합니다 결과적으로 환자의 약 45 % 질병이 감지되기 ​​전에 시력 손실의 일종을 겪는다 네가 회상 한대로이 질병이 완전히 예방할 수있었습니다

다시 한번 이것은 일어나서는 안되는 것입니다 그래서 우리가하기로 결심 한 것은 우리가 파트너가 된 것입니다 인도에 몇 군데 병원을두고, 미국의 선별 서비스 제공 업체입니다 그리고 우리는이 첫 번째 시도에 대해 약 130,000 개의 이미지를 얻었습니다 우리는 54 명의 안과 의사를 고용하고 라벨링 도구를 만들었습니다

그리고 54 명의 안과 전문의는 실제로 이 스케일에서이 이미지의 등급을 매겼는데, DR에서 증식으로 흥미로운 점은 실제로 의사가 이미지를 호출하는 방법에 약간의 변동성이 있습니다 그래서 우리는 실제로 약 880,000 건의 진단을 받았습니다 이 레이블이 지정된 데이터 세트를 사용하여 알려진 콘볼 루션 신경망 이것은 시작이라고합니다

나는 너희들 중 많은 사람들이 그것에 익숙하다고 생각한다 일반적으로 사진 앱을 위해 고양이와 개를 분류하는 데 사용됩니다 또는 다른 검색 애플 리케이션을 위해 그리고 우리는 그저 안저 영상을 재사용했습니다 그래서 우리가 배운 다른 것 우리가이 일을하는 동안 그게 정말 유용했던 동안 이 5 점 진단, 그것은 또한 믿을 수 없을만큼 의사에게 유용하다

이미지 품질과 같은 하우스 키핑 예측에 대한 피드백, 이것이 왼쪽 눈인지 오른쪽 눈인지, 또는 이것이 망막의 어느 부분인지 알 수 있습니다 그래서 우리는 그것을 네트워크에도 추가했습니다 그럼 얼마나 잘하는거야? 이것이 우리 모델의 첫 번째 버전입니다 우리가 2016 년 의학 저널에 발표 한 내용은 제가 믿습니다 여기 왼쪽에는 차트가 있습니다

총계에있는 모형의 성과의 약 10,000 개 이상의 이미지 민감도는 y 축에 있고, 1 마이너스 특이성 x 축에있다 감도는 시간의 백분율입니다 환자가 질병에 걸렸다면 그 모델이 그 질병을 부르고 있었을 때, 맞았습니다 그리고 특이성은 비율입니다

모델에 질병이없는 환자들 또는 의사가 옳았다 그리고 당신은 뭔가를 원한다는 것을 알 수 있습니다 높은 민감도와 높은 특이성을 지니고 있습니다 그리고 위아래로 – 또는 위로 그리고 왼쪽으로 좋다 그리고 차트에서 여기를 볼 수 있습니다

작은 점들이 그 의사들이라고 동일한 세트를 채점하고있었습니다 그래서 우리는 의사와 매우 가까워졌습니다 그리고 이들은 보드 인증을받은 미국의 의사들입니다 그리고 이들은 안과 의사, 일반 안과 의사들입니다 훈련으로

사실 F 점수를 보면 감도와 특이성의 결합 된 척도이며, 우리는 중앙 안과 전문의보다 조금 나아졌습니다 이 특별한 연구에서 그래서 그 이후로 우리는 모델을 향상 시켰습니다 그래서 작년에 약 2016 년 12 월 우리는 일종의 동위에 있었다 일반인들과

그리고 올해는 – 이것은 우리가 발행 한 새로운 논문입니다 우리는 실제로 망막 전문가를 사용했습니다 이미지를 채점하기 위해 그래서 그들은 전문가입니다 우리는 또한 그들이 동의하지 않을 때 논쟁하도록했습니다

진단이 뭔지에 대해서 그리고 우리는 모델을 언제 사용 하는지를 볼 수 있습니다 그 사실을 근거로 모델은 매우 잘 예측했습니다 게다가 올해 우리는 일종의 동위에 있습니다

망막 전문가와 그리고이 가중 카파는 단지 5 수준의 합의 그리고 본질적으로 우리는 안과 의사와 망막 사이의 일종 사실 전문가들 사이에 망막 전문가 우리가 작업 해 왔던 또 다른 일 모델을 개선하는 것을 넘어서 실제로는 네트워크를 설명하려고 애쓰다 그것이 어떻게 예측을하고 있는지 다시 한번, 연극이나 연극을 가져 가라

소비자 세계의 플레이 북에서, 우리는 show me where라는 기술을 사용하기 시작했습니다 그리고 이것은 이미지를 사용하는 곳입니다 실제로 열 화상지도를 생성합니다 관련 픽셀은이 특정 예측을위한 것입니다 그래서 여기 포메라니스트의 그림을 볼 수 있습니다

그리고 히트 맵은 거기에 당신을 보여줍니다 포메 라니아 사람의 얼굴에있는 무언가이다 그것은 Pomeranian-y를 보게합니다 그리고 여기 오른쪽에는 아프간 인의 사냥개가 있습니다 그리고 네트워크는 아프간 인 사냥개를 강조했다

그래서 이와 비슷한 기술을 사용하여, 우리는이를 안저 이미지에 적용했다 우리가 말했지, 어디 있는지 보여줘 이것은 가벼운 질병의 경우입니다 그리고 나는 가벼운 질병이라고 말할 수 있습니다 왜냐하면 – 잘, 그것은 나에게 완전하게 정상적으로 보인다

나는 거기에 어떤 질병이 있다고 말할 수 없다 하지만 고도로 숙련 된 의사라면 미세 동맥류 라 불리는 작은 것을 골라 낼 수있다 녹색 지점이있는 곳 다음은 중등도의 질병 사진입니다 그리고 이것은 당신이 볼 수 있기 때문에 조금 더 나쁩니다

여기 끝에 약간의 출혈 그리고 실제로 나는 신호 할 수 있는지, 하지만 거기에 피가 나옵니다 그리고 열지도 – 히트 맵이 있습니다 출혈을 일으킨다는 것을 알 수 있습니다 그러나이 이미지에는 두 가지 유물이 있습니다

그래서 작은 얼룩처럼 먼지가 있습니다 그리고이 작은 반사가 있습니다 이미지의 중간에 그리고 당신은 그 모델이 근본적으로 그것을 무시합니다 그럼 다음은 뭐니? 우리는 모델을 훈련 시켰습니다

우리는 다소 설명 할 수 있음을 보여주었습니다 우리는 그것이 올바른 일을한다고 생각합니다 무엇 향후 계획? 음, 우리는 실제로 의료 시스템에 이것을 배치해야합니다 우리는 의료 공급자와 제휴하고 있습니다 그리고 회사는이를 환자에게 제공해야합니다

실제로 제게 메가 박사님, 누가 저를 대담하게 말할 것입니까? 이 노력에 대해 좀 더 자세히 설명 할 것입니다 그곳에 그래서 심사 신청서를 제출했습니다 그리고 여기 진단의 응용이 있습니다 우리가 작업하고있는 그래서이 특별한 예에서 우리는 질병에 대해 이야기하고 있습니다

우리는 유방암에 대해 이야기하고 있습니다 그러나 우리는 유방암의 전이에 대해 이야기하고 있습니다 근처 림프절로 따라서 환자가 유방암 진단을 받았을 때 원발성 유방암이 제거되면, 외과의 사는 밖으로 약간 시간을 보낸다 우리가 림프절이라고 부르는 것을 조사 할 수 있도록 유방암이 전이되었는지 아닌지보기 그 노드들에게 그리고 그것은 환자를 어떻게 대하는가에 영향을 미칩니다

이 림프절을 읽는 것은 쉬운 일이 아닙니다 그리고 실제로 그들이 돌아올 때의 생체 검사의 약 24 % 그들을보기 위해, 24 %는 마디 상태의 변화를 가지고 있었다 이는 긍정적 인 경우 부정적인 것으로 읽음을 의미합니다 그리고 그것은 음성적이었고, 긍정적이었습니다 그래서 그것은 정말로 큰 문제입니다

4 분의 1에요 흥미로운 점은 다른 연구 결과에 따르면 무한한 시간을 가진 병리학 자, 실제로 데이터에 압도 당하지 않았다 매우 민감하기 때문에 94 %의 감수성 종양 환자에게 시간 제약을 가하면, 그들의 감수성 – 또는 미안, 공급자에, 병리학 자에게는 감도가 떨어집니다 그리고 사람들은 내려다보기 시작할 것입니다

거의 전이가 없을 수도 있습니다 그래서이 그림에 바로 거기에 작은 전이가 있습니다 그리고 그것은 보통 놓친이 작은 것들입니다 많은 정보가 주어지면 놀랍지도 않습니다 각 슬라이드에 있습니다

따라서 이러한 슬라이드 중 하나가 디지털화 된 경우, 약 10 기가 픽셀입니다 그리고 그것은 말 그대로 건초 더미에있는 바늘입니다 흥미로운 점은 병리학 자들이 실제로 그들이 자신의 모든 시간을 보면서 암의 73 %를 찾는다 슬라이드마다 오진 (false positive)이 발생합니다 그래서 우리는이 작업을 도울 수있는 모델을 교육했습니다

실제로 암 병변의 약 95 %를 찾습니다 슬라이드 당 8 개의 가양 성이 있습니다 그래서 이상적인 시스템은 분명히 하나입니다 모델을 사용하여 매우 민감하지만 매우 구체적입니다 병리학자를 실제로 훑어 보는 것에 의존하는 거짓 긍정 (false positive)과 오탐 (false positive)이라고합니다 그래서 이것은 매우 유망하며 우리는 지금 클리닉에서 유효성 검사를하고 있습니다

독자 연구의 관점에서, 이것이 실제로 어떻게 의사와 상호 작용하는 것은 정말로 중요합니다 그리고 분명히 다른 조직에 응용할 수 있습니다 나는 림프절에 관해 이야기했지만 초기 연구가있었습니다 실제로 이것은 전립선 암에서 효과가 있음을 보여줍니다 글리슨 그레이딩에 대해서도 마찬가지입니다 그래서 이전 예제에서 우리는 말했습니다

얼마나 깊이있는 학습이 매우 정확합니다 그리고 그들은 의사가 이미 만들었던 전화를하는 경향이 있습니다 그러나 의사가 현재하지 않는 것들을 예측하는 것은 어떨까요? 이미징에서 할거야? 그래서 당신이 이야기의 처음부터 기억하고 있듯이, 깊은 학습에 대한 위대한 것들 중 하나 매우 정확한 알고리즘을 훈련시킬 수 있다는 것입니다 명시 적으로 규칙을 작성하지 않아도됩니다 그래서 우리는 완전히 새로운 발견을 할 수 있습니다

그래서 왼쪽 그림은 종이에서 나온 그림입니다 우리가 최근에 출판 한 다양성을 예측하는 훈련 된 심층 학습 모델 의 심혈관 위험 요인 여기에는 나이, 자기보고 섹스, 흡연 상태, 혈압, 일반적으로 의사들 환자의 심장 혈관 위험을 평가하기 위해 지금 고려해보십시오 적절한 치료 권고를하십시오 그래서 우리는 우리가 이러한 요소 중 많은 것을 예측하고, 매우 정확하게, 실제로 5 년 위험을 직접 예측할 수 있습니다

심장 사건의 그래서이 연구는 아주 일찍, 정말 폐활 적이었고, 이 예측을위한 AUC는 07이다 이 숫자가 의미하는 것은 두 장의 그림이 주어지면 심혈관 사건이없는 환자의 사진 그리고 한 환자의 사진은 약 70 % 그 시간의 대부분의 의사들은 약 50 %의 시간을 보냈고, 그것은 무작위 적이기 때문에 – 마치 혼자 망막 이미지를 기반으로하기가 어렵습니다 그렇다면 왜 이것이 흥미로운가? 일반적으로 의사가 시도 할 때 심혈관 질환 위험을 평가하기 위해, 관련된 바늘이 있습니다

그래서 나는 누군가가 혈중 콜레스테롤을 섭취했는지 모른다 상영 전에 밤에 금식하고 혈액 샘플을 가져가 그런 다음 위험을 평가합니다 다시 한번, 저는 이것이 정말로 초기에 있다는 것을 강조하고 싶습니다

그러나 이러한 결과는 아이디어를 뒷받침합니다 우리가 뭔가를 사용할 수 있을지도 몰라 우리가 할 수 없었던 새로운 예측을하기 위해 이미지처럼 전에 만들어라 그리고 이것은 정렬로 수행 될 수 있습니다 비 침습적 인 방식으로

그래서 몇 가지 예를 들어 보았습니다 세 가지 예가 있습니다 얼마나 깊은 학습이 실제로 두 가지 가용성을 증가시킬 수 있는지 건강 관리의 정확성 그리고 내가 원하는 종류의 것들 중 하나 이것이 여기에있는 이유가 여기에 있음을 인정하십시오 TensorFlow는 점점 더 흥미 진진합니다

오픈 소스입니다 일반적인 기계 학습에서 이런 종류의 개방형 표준 어디서나 적용되고 있습니다 그래서 저는 Google에서 한 일의 예를 들었습니다 커뮤니티 전체에서 수행되는 많은 작업이 있습니다 매우 유사한 다른 의료 센터에서

그래서 우리는 무엇에 대해 정말 흥분하고 있습니다 이 기술은 건강 관리 분야에 도움이 될 수 있습니다 그리고 그걸로 Jess Mega를 소개하고 싶습니다 저와 달리, 그녀는 진짜 의사입니다 그리고 그녀는 Verily의 최고 의료 책임자입니다

제시카 메가 : 여기에와 주셔서 감사합니다 그리고 우리를 걷어차 기 위해 릴리에게 감사드립니다 나는 AI와 건강 관리에 대한 흥분을 생각한다 더 커질 수는 없다 들으 셨던 것처럼, 제 이름은 메스 제스입니다

나는 심장 전문의이고, 너무 기쁘다 알파벳 가족의 일부입니다 Verily는 Google과 Google X에서 성장했습니다 그리고 우리는 전적으로 의료 및 생명 과학에 중점을두고 있습니다 우리의 사명은 세계의 건강 정보를 취하는 것입니다

환자가보다 건강한 삶을 누릴 수 있도록 유용하게 만듭니다 그리고 오늘 제가 이야기 할 예제는 당뇨병에 초점을 맞추고 있습니다 릴리가 시작한 대화에 정말로 도움이됩니다 하지만 일시 중지하는 것이 매우 중요하다고 생각합니다 건강 데이터를 광범위하게 생각해보십시오

현재 청중에있는 모든 개인 약 몇 기가 바이트의 건강 데이터가 있습니다 그러나 수년 동안 건강에 관해 생각한다면 유전체학에 관해서 생각해보고, 분자 기술, 이미징, 센서 데이터, 환자보고 데이터, 전자 건강 기록 우리는 엄청난 액수에 대해 이야기하고 있습니다 데이터, 기가 바이트의 데이터 그리고 Verily와 Alphabet에서 우리는 우리가 환자들을 도울 수 있도록이 일에 앞장설 것입니다 우리가 초기에 우리의 노력 중 일부를 집중하고있는 이유 당뇨병에 이것은 긴급한 건강 문제입니다

약 10 명 중 1 명이 당뇨병을 앓고 있습니다 당뇨병에 걸릴 때 시체에서 설탕 포도당을 어떻게 다룰 지 그리고 당신이 prediabetes에 대해서 생각한다면, 누군가 당뇨병에 걸리기 전에 조건, 3 명 중 1 명입니다 오늘 청중의 전체 중앙 섹션이 될 것입니다 이제 몸이 처리 할 때 어떤 일이 발생합니까? 포도당은 다른 방법으로, 당신은 다운 스트림 효과를 가질 수 있습니다

릴리가 당뇨병 성 망막증에 대해 이야기하는 것을 들었습니까? 사람들은 심장, 신장, 말초 신경 병증 이것이 우리가 앞서 나아갈 필요가있는 질병의 유형입니다 그러나 우리는 우리가 다루려고하는 두 가지 주요 쟁점을 가지고 있습니다 첫 번째는 정보 격차입니다 따라서 당뇨병 환자 중 가장 견고한 환자들조차도 – 우리 할아버지는이 중 하나 였어

하루에 네 번씩 혈당을 확인합니다 오늘이 누구인지 모르겠다 어떤 간식을 먹을 수 있습니다 나는 캐러멜 팝콘을 실제로 가지고 있었다 누구든지 그 중 하나가 있었나요? 그래, 대단하다

우리의 생물학과 우리의 포도당은 위아래로 가고 있습니다 그래서 제가 그 순간에 포도당을 검사하지 않으면, 우리는 그 데이터를 포착하지 못했을 것입니다 그래서 우리는 생물학이 항상 일어나고 있다는 것을 압니다 심장병 전문의로 병원에있는 환자를 볼 때, 나는 누군가의 심장 박동수, 혈압, 모든 것을 볼 수있다 이 생체 신호 중 실시간으로 그리고 사람들은 집으로 돌아가지만 생물학은 여전히 ​​일어나고 있습니다

따라서 정보 격차가 있습니다 특히 당뇨병 환자와의 차이 두 번째 쟁점은 의사 결정 갭입니다 1 년에 1 회, 1 년에 2 회, 그러나 매일 건강에 대한 결정이 내려지고 있습니다 그들은 매주, 매일, 매시간 일어나고 있습니다

그리고 우리는 어떻게이 격차를 좁히기로 결정합니까? 진실로 우리는 세 가지 핵심 사명에 집중하고 있습니다 그리고 이것은 거의 모든 프로젝트에 적용될 수 있습니다 우리는 교대하는 법을 생각하고 있습니다 에피소드 및 반응 치료에서 훨씬 예방적인 치료에 이르기까지 다양합니다 그리고 그 일을하고 요점을 이해하기 위해 우리는 실제로 AI의 힘을 사용할 수 있습니다

우리는 세 가지를해야합니다 올바른 데이터를 수집하는 것에 대해 생각해야합니다 그리고 오늘 저는 지속적인 포도당 모니터링에 대해 이야기 할 것입니다 그런 다음이 데이터를 어떻게 구성하여 형식으로되어 있는지 확인하십시오 우리는 환자의 잠금을 해제하고 활성화하여 진정으로 도움을 줄 수 있습니까? 그래서 우리가 당뇨병 분야에서 이것을 행하는 지 여부 오늘 또는 우리의 수술 로봇에 대해 듣게 될 것입니다

이것은 일반적인 전제입니다 생각할 첫 번째 사항은 데이터 수집입니다 그리고 릴리가 쓰레기를 말하면서, 쓰레기가 나옵니다 이해하지 못하면 통찰력을 찾을 수 없습니다 우리가보고있는 것

그리고 절대적으로 혁명적 인 한 가지 매우 작은 생체 적합성에 대해 생각하고있다 전자 제품 따라서 우리는 차세대 감지 기술을 연구하고 있습니다 그리고 여기에서 데모를 볼 수 있습니다 이것이 예를 들어, 매우 작은 연속 포도당 모니터가있는 곳에서 이러한 도구 중 일부를 만들기 위해 협력하고, 이것은보다 매끄러운 통합으로 이어질 것입니다

다시 한번, 당신은 단지 포도당 값이 얼마되지 않습니다 그러나 우리는 당신 몸이 어떻게 취급하고 있는지 이해합니다 설탕, 제 2 형 당뇨병 환자, 보다 지속적인 방식으로 그것은 또한 우리가 인구 수준에서 일어나는 일 그러나 개인적인 차원에서 일어날 수있는 일 특정 음식을 섭취 할 때 그리고 마지막으로 장치 비용을 줄이려고 노력합니다 그래서 우리는 건강을 정말로 민주화 할 수 있습니다

다음 목표는이 모든 데이터를 어떻게 구성 할 것인가입니다 그리고 저는 환자와 의사로서 말할 수 있습니다 사람들이 말할 수있는 것은 데이터가 놀랍고, 쓰나미로 데이터를 압도하지 마십시오 당신은 그것을 조직해야합니다 그래서 우리는 사노피와 파트너십을 맺었습니다

Onduo라는 회사에서 그리고 그 생각은 환자를 그들의 보살핌과 도움의 중심에 당뇨 관리를 단순화합니다 이것은 정말 누군가의 마음에 도착합니다 누가 더 행복하고 건강해질 것인가 그렇다면 실제로 무엇을 의미합니까? 우리가하려는 일은 사람들에게 힘을 실어주는 것입니다 그들의 포도당 제어와 함께

그래서 우리는 미국 당뇨병 협회 권장 포도당 범위를 살펴보십시오 그러면 사람들이 당신에게 보여주는 그래프를 얻습니다 하루의 모습과 시간의 비율 너는 범위 안에있다 다시, 환자 또는 사용자에게 제공 그 데이터는 그들이 결정의 중심이 될 수 있도록 – 마지막으로 Google 피트니스를 통해 단계를 추적합니다 다음 목표는 이해하려고 노력하는 것입니다

포도당이 당신의 활동과식이 요법과 어떻게 조화를 이루고 있는지 여기에는 프롬프트를 표시하는 앱이 있습니다 음식 사진 그리고 이미지 인식을 사용하고 Google의 TensorFlow를 사용하여, 우리는 음식을 식별 할 수 있습니다 그리고 이것이 진정한 개인적 통찰력이있는 곳입니다

진짜가되기 시작하십시오 왜냐하면 당신이 특정 식사를 먹으면, 몸이 어떻게 끝나는 지 이해하는 것이 도움이됩니다 그것과 관련있다 그리고 흥미로운 예비 자료가 있습니다 미생물이 변할 수 있음을 시사한다

내가 바나나에 반응 한 방식, 예를 들면, 그렇지 않으면 응답 할 수 있습니다 그리고 그것은 모두가 중요하기 때문에 중요합니다 우리가 만드는 일반적인 권고 사항이 갑자기 의사로서 누군가 나를 클리닉에서 보러 오면 2 형 당뇨병이 있습니다

여기 당신이해야 할 일들이 있습니다 당신은 당신의 다이어트, 운동, 구두 약을 복용하십시오 인슐린, 운동도 받아야합니다 당신은 당신의 발 의사, 당신의 눈을보아야 만합니다 의사, 주치의, 및 endocrinologist

그리고 그것은 통합 할 것이 많습니다 그래서 우리가하려고하는 것은 쌍입니다 이 모든 정보는 간병과 함께 간단한 방법으로 제공됩니다 이 여행을 돕는 사람입니다 이 정보가 떠오르면 내가 여기서 너에게 보여준 것의 가운데를 들여다 보면 의료지도와 그 사람이 보는 것, 당신은 여러 다른 라인을 볼 수 있습니다

드릴 다운하고 살펴보기를 바랍니다 이것은 데이터 간의 차이점을 보여줍니다 에피소드 식 포도당 예제에서 볼 수 있습니다 또는 지속적인 포도당 모니터로보고있는 것 이 새로운 감지로 가능합니다 그리고 우리가이 연속 포도당을 뚫어 말하며 모니터하고 우리는 일의 클러스터를 봅니다

이것은 하나의 예입니다 우리는 패턴을보기 시작할 것입니다 릴리가 언급했듯이 이것은 유형의 것이 아닙니다 개별 환자, 간병인 또는 의사가 파고 있지만, 여기가 당신은 학습 모델의 힘을 풀기 시작합니다 우리가 볼 수있는 것은 클러스터입니다

다른 아침의 우리는 긍정적 인 연관성을 만들거야 모두가 여기에서 믿을 수 없을만큼 건강하게 먹는다고 Google I / O에서 빨간색 아침의 클러스터가 될 수도 있습니다 하지만 우리는 일상 생활로 돌아가서 스트레스를받습니다 우리는 다른 종류의 음식을 먹고 있습니다

그러나 대신에, 일반적인 조언을하는 대신에, 우리는 다른 모델을 사용하여 지적 할 수 있습니다 뭔가 진행되고있는 것처럼 보입니다 예를 들어 환자 한 명과 수요일 즈음에 군집이 보였다 그래서 수요일에 무슨 일이 일어나고있는거야? 그 사람이 가고 멈추고 있는가? 특정 위치 또는 어쩌면 거기에 있습니다 그날 많은 스트레스

그러나 다시 한번, 일반적인주의를 기울이지 않고, 가장 포괄적 인 방법으로 치료를 시작할 수 있습니다 실용 가능한 예 다시 한번 우리가 말하는 것에 대해 생각해보십시오 데이터 수집, 구성 및 활성화 매우 관련성이 높습니다 이것이 우리가 당뇨병 관리에 관해 생각하는 방식입니다

이것이 바로 AI가 작동하는 방식입니다 우리는 오늘 아침 다른 토론에서 들었습니다 우리는 문제에 대해 생각해 봐야 해 우리는 이러한 도구를 사용하여 실제로 만들 것입니다 차이

그래서 우리가 생각할 수있는 다른 방법은 무엇입니까? 정보 활성화에 대해서? 그리고 릴리에게서 당뇨병 성 망막증 실명의 주요 원인 중 하나입니다 우리가 뛰어난 포도당 관리를하더라도, 말기 장기 손상이 시작될 수도 있습니다 그리고 나는 그 상승 된 포도당을 언급했다 레벨이 결국 안저 및 망막에 영향을 줄 수 있습니다 이제 당뇨병 환자들 심사를 받아야합니다

하지만 이전에 내가 너에게 준 이야기에서 우리가 환자에게 묻는 것의 세탁 목록 당뇨병에 걸린 사람 그래서이 공동 작업으로 우리가하려는 일은 구글과 함께, 어떻게 우리가 실제로 제품을 앞서 생각하고 생각하다 우리가 실현할 수 있도록 엔드 – 투 – 엔드 솔루션에 대해 오늘날 존재하는 어려움을 제거하십시오 이 문제는 상영에 관한 한 그 중 하나이기 때문에 내게 필요한 옵션이며 다른 하나는 검안의와 안과 의사에게 접근 할 수 있습니다

그리고 이것은 미국의 문제입니다 개발 도상국 에서뿐만 아니라 그래서 이것은 단지 문제가 아니라 지역적 문제입니다 이것은 우리가 매우 세계적으로 생각할 때입니다 우리는 해결책에 대해 생각합니다 우리는이 데이터를 일찍이 생각해 보았습니다

우리는 알고리즘을 사용할 수 있고 두 감도 모두를 높일 수 있습니다 당뇨 망막 병증의 진단과 특이도 황반부 종 그리고 이것은 "JAMA"에 게시 된 데이터입니다 릴리가 잘 설명했듯이 그렇다면 우리는 어떻게 생각할 것인가? 이 제품을 만드는 방법에 대해? 알파벳 같은 장소에서 일하는 것의 아름다움 오늘 당신과 같은 파트너와 함께 일하는 것이 우리 모두입니다

생각할 수있는 것, 우리가 해결해야 할 문제가 무엇인지, 알고리즘을 작성하십시오 그러나 우리는 그 때 뒤로 물러 설 필요가있다 보건 분야에서 활동한다는 의미 그리고 생명 과학의 공간에서? 우리는 이미지 획득, 알고리즘, 그 정보를 전달하는 것 의사뿐 아니라 환자에게도 도움이됩니다 우리가하는 일은이 정보를 취하는 것입니다 현재 일부 파트너와 협력하고 있습니다

현재 유망한 파일럿이 있습니다 인도에서와 마찬가지로, 우리는 듣고 싶습니다 이른 피드백 그리고 두 가지 정보가 있습니다 나는 너와 나누고 싶었다

하나는이 초기 관측을보고, 우리는 AI로 더 높은 정확도를보고 있습니다 더 큰 매뉴얼보다 의사로서 중요한 것은 – 방에 다른 의사가 있는지 나는 모른다 하지만 내가 항상 사람들에게 말하는 부분은 건강 관리 제공자를위한 공간이 될 것입니다 이 도구들이하는 일은 단지 우리가 일하는 것을 돕는 것입니다

그래서 때로는 사람들이 나에게 묻습니다 기술과 인공 지능입니다 의사를 대신하거나 의료 제도를 대체 할 것인가? 그리고 제가 생각하기에 그것은 단지 작품을 증대시키는 것입니다 우리는하다 청진기에 대해 생각한다면 – 그래서 저는 심장 전문의이고 청진기입니다

약 200 년 전에 발명되었습니다 우리가하는 일을 대체하지는 않습니다 그것은 단순히 우리가하는 일을 보강합니다 그리고 나는 우리가 계속하는 것과 비슷한 주제를 보게 될 것이라고 생각합니다 더 많은 것을 돌보는 방법에 대해 생각해보십시오

환자에게 효과적인 방법 그래서 여기서 가장 먼저 AI가 더 잘 수행되고 있다는 것입니다 수동 그레이더보다 그리고 두 번째로 생각하는 것입니다 그 환자 기초에 대해서

우리는 어떻게 진료를 진정으로 민주화합니까? 그리고 조종사에게서 다른 격려하는 조각 우리가 시작할 수있는 아이디어였다 알고리즘으로 치료받는 환자의 기반을 증가시킨다 이제 밝혀 졌을 때, 나는 좋아할 것입니다 건강하게 모든 것을하는 것이 정말 쉽다는 것을 말하고 있습니다 간호 및 생명 과학

그러나 그것이 나왔던 것에 따라, 그것은 거대한 마을을 필요로한다 이런 종류의 일을하는 것 그럼 다음은 뭐니? 임상 입양의 경로는 무엇입니까? 그리고 이것은 이것이 대단히 흥미로 웠습니다 많은 재능있는 기술자들과 일하는 의사가 되라 및 엔지니어 우리는 이제 다른 임상 사이트와 파트너가되어야합니다

나는 여기서 언급했다 우리는 또한 FDA, 유럽 ​​및 그 밖의 규제 기관들도 마찬가지입니다 우리가하기로 결정한 진실로 한 가지 FDA 사전 인증이라고 불리는 것에 속하는 것입니다 프로그램 우리는 새로운 기술과 새로운 알고리즘 의료 보험에 가입하는 것이 중요하지만 지금은 그 방법을 알아 내야합니다

둘 다 안전하고 효과적입니다 그리고 저는 Alphabet에서 우리를 자랑스럽게 생각합니다 앞서 나가고 파트너 관계를 유지하십시오 FDA와 같은 단체들과 주의해야 할 두 번째 사항 우리가 진실로 진실로 Google 및 Nikon 및 Optus와 같은 다른 파트너와 함께 이 모든 것들이 모여 든다 진료를 변형시키려는 시도

그러나 나는 이것이 올바르게하면, 당뇨병뿐만 아니라 실제로 큰 기회가 있습니다 건강 정보의 전 세계에서 그것에 대해 생각하는 것은 흥미 롭습니다 내 시간을 대부분 보살 피는 의사로서 병원에있는 환자의 보살핌에 더 많은 접근을 시작하십시오 병원 밖에서? 하지만 우리가 잘한다면 우리가 앞서 나가면이 격차를 좁힐 수 있습니다 더 예방적인 방법을 찾아 낼 수 있습니다

우리는 올바른 정보를 수집 할 수 있습니다 우리는 인프라를 구성하여이를 구성 할 수 있습니다 그리고 가장 중요한 것은 그것을 활성화하는 방법을 알아낼 것입니다 그러나 나는 모두가 여기에서 알고 싶어한다 이것은 우리가 홀로 할 수있는 일이 아닙니다

정말로 우리 모두를 필요로합니다 그리고 Verily, 우리는 Google에, 우리는 Alphabet 여러분 모두와 함께 할 수 있기를 기대합니다 그래서이 여행에서 우리를 도와주세요 이 대화 후에 릴리와 나는 여기있을 것이다 우리는 여러분 모두와 행복하게 대화 할 수 있습니다

I / O에서 시간을내어 주셔서 감사합니다 [음악 재생]

Netmarble Games: A Case Study of Game Operation Enhancement with AI/ML (Cloud Next ’18)

[음악 재생] 나는 게임 서비스 AI 부서장입니다 동시에 기술 기술부 장 [INAUDIBLE], 넷 매블

네, 그리고 솔직히 말해서, 이것은 약간의 [INAUDIBLE]입니다 나를 믿거 나 말거나, 나는 하나이다 한국에서 인기있는 연사의 저는 한국어로 아주 좋은 연설을한다고 믿습니다 하지만 지금 영어로 말해야합니다 매우 긴장 했어요

솔직히이 세션을 취소하려 했어요 여러번– [웃음] -이 이벤트를 사용하여 개발자에게 질문하기 때문에 내 제품, 회사 제품을 제 시간에 개발하십시오 그리고 나는 네가 미국에서 연설을해야만한다고 말했다 일정을 이겨야 해 그리고 나는 조금 더 일찍 그것을 취소하는 것을 잊었다

지난 주에, 나는 [[? API?] Google Cloud에서 그리고 저는 행복하지 않다면서이 프로젝트를 취소하고 싶습니다 이 이벤트를 취소하고 싶습니다 그리고 그들은 말했다, 왜? 그리고 당신 이름은 이미 모든 곳에서 인쇄되어 있습니다 당신은 그렇게해야합니다 그리고 내가 말했지, 오, 안돼, 안돼, 안돼, 안돼, 안돼

제 프리젠 테이션이 그렇게 인기가 없습니다 참석하고 싶은 사람이 없습니다 하지만 여기에는 너무 많은 사람들이 있습니다 네,이 행사에 참여해 주셔서 감사합니다 그리고 네

그래서 나는 아마 3 일을 보냈다 자료를 준비하는 3 일간 내 경험을 [? GGP,?] 또한 Google PSO로 즐거운 추억을 남깁니다 하지만 우리가하기 전에, 나는 단지 Netmarble을 소개합니다 당신에게 친숙한 Netmarble, Netmarble 매우 큰 게임 회사입니다 그러나 한국에서는 1 위입니다

그러나 미국에서는 모두가 Kabam 또는 Jam City를 알고 있다고 생각합니다 그것이 우리 지점입니다 우리는 그들의 회사를 인수했습니다 하지만 Netmarble은 그렇게 인기가 없으므로 Netmarble을 소개하고 싶습니다 그러면 나는 어떤 종류의 물건을 설명 할 것이다

우리는 인공 지능과 기계 학습을 위해 노력하고 있습니다 그렇다면 우리가 한 일을 공유하고 싶습니다 어쩌면 3 번 정도의 사례 연구로 깊이 잠수 해보세요 나는 준비했다 예, 이것은 Netmarble입니다

우리 로고 야 그리고 이것이 우리의 주인공입니다 이름은 쿠쿠입니다 웃을 때 [INAUDIBLE]와 (과) 비슷한 것입니다 믿거 나 말거나, 이것은 공룡입니다

우리의 의장은 그것은 공룡입니다 하지만 그래, 조금 악어 같아 그러나 어쨌든, 그것은 공룡입니다 노란색은 우리의 기호 색입니다 그리고 이것은 "Marvel"의 주요 제목을 보여줍니다

"트랜스포머", "리니지 II"및 "StoneAge M" 및 "일곱 밤"및 모두의 대리석 " 이것이 우리의 핵심 제목입니다 우리 신문 아직도 긴장 돼있어 예, 외부 IP를 사용하고 있습니다

우리의 최신 마케팅 비용 그래서 우리가 디즈니의 "Marvel"을 따르는 이유 아마도 Hasbro의 "Transformer"일 것입니다 동시에 우리는 우리 자신의 강력한 지적 재산권을 만들려고 노력합니다 센터 인 "세븐 나이트"는 원래 IP입니다 그리고 우리는 "석기 시대"를 샀다

그리고 이것은 [INAUDIBLE] 모델 인 "Everybody 's Marble"입니다 이는 원래 IP이기도합니다 그리고 이것은 "계보 ll"입니다 – 매우 인기있는 MMORPG IP 중 하나입니다 그리고 엔씨 소프트에서 빌려 왔습니다 그리고 우리는 한국에서 커다란 성공을 거두었습니다

아마도 TBCF를 모두 보게 될지 모르겠습니다 우리는 미국에서이 타이틀을 마케팅하기 위해 Conan O'Brien을 사용하고 있습니다 그러나 우리는 미국에서 큰 성공을 기대하고 있습니다 우린 시도했지만 실패했습니다 어쨌든, 우리는 미국에서 더 큰 성공을하기 위해 최선을 다합니다

이것이 우리의 역사입니다 Netmarble은 젊은 회사가 아닙니다 Netmarble은 2000 년에 설립되었습니다 그리고 우리는 RPG 게임 개발자와 퍼블리셔도하고 있습니다 그리고 2013 년에는 RPG에서 전체 방향으로 변경했습니다

모바일로 그리고 우리는 그곳에서 성공하고 계속해서 빠르게 성장하고 있습니다 우리는 Tencent 및 [? EngiSoft ?] 그리고 우리는 잼 시티 (Jam City)를 인수하고 카불 (Kabam)을 인수했습니다 그리고 우리는 혁신으로 더 커질 것입니다

예를 들어,이 제목의 이름은 "ChaChaCha"입니다 이것은 한국 최초의 [INAUDIBLE] 메가 히트 게임입니다 그리고 이건 [? 괴물?] [? 길들이기 ?] 그리고 우리는 한국의 모바일 RPG 표준 그리고 또한, 우리는 실시간으로 [? 짓다 ?] [INAUDIBLE] 모델 인 "Everybody 's Marble"

그리고 이것은 놀랄만 한 [부적절한], 거대한 성공입니다 이 기간 동안 한국의 시장 점유율은 50 % 이상입니다 미쳤어 그리고 나서, "Lineage Revolution"을 시작했습니다 더 많은 하드 코어 타이틀을 기대합니다

우리 모바일 장면에서 인기가있어서 MMORPG를 출시했습니다 그리고 그것들은 또한 커다란 성공을 거듭합니다 그 다음 우리는 Kabam와 Jam City를 인수했다 미국 시장에서 개척하기 우리는 한국어이므로 무엇을 이해하는지 정말 어렵습니다

서양 사람들은 사랑합니다 그래서 우리는 단지 우리 자신을 찾습니다 돈을 사용하는 간단한 해결책 좋아, 어떤 회사 그래

예 이것이 우리의 11 년 성장 그래프입니다 미쳤어, 그렇지? 그리고 요즘에도이 경사를 계속 유지합니다 그리고 우리는 작년에 우리는 3 위 출판사입니다 Apple과 Google을 결합합니다 구글에 대해서만, 우리가 아는 한 제일입니다 그건 [INAUDIBLE] 맞죠? 네

[박수 갈채] 이것은 숫자입니다 우리는 매우 자랑 스럽습니다 그리고 우리는 전 세계적으로 3 위의 게임 퍼블리셔입니다 그리고 11 년 CAGR은 89 %이고 680 억 달러 MAU입니다 그것은 한국의 전체 인구보다 큽니다

또한 19 개의 독립 개발 스튜디오가 있습니다 우리는 한국에 3,000 명이 넘는 개발자를 보유하고 있습니다 아마도 우리는 3,500 명이 넘을 것입니다 [알아들을 수 없는] 그것은 매우 빠르게 자라고 있습니다 그리고 재미있는 점은, 우리는 단지 4 % 모바일 판매에 대한 세계 시장 점유율

우리는 아마 더 빨리, 어쩌면 5 또는 6과 10이 될 것으로 예상하고 있습니다 그리고 나의 의장은 항상 더 많은 시장을 얻으려고 우리를 밀어 붙이고 있습니다 전세계에 공유하십시오 그리고 나서, 세계 시장의 모바일 전 세계에서 매우 높은 곳입니다 그리고 중국에서는 사업이 없었습니다

그러나 한국과 중국 정부 정치적인 문제가있다 그리고 중국 시장에 진입하는 것은 정말로 어렵습니다 하지만 올해는 아마도 중국 시장에 진출 할 수있을 것 같습니다 우리는 그것을 기대하고 있습니다 그리고 그것은 올해 더 큰 성장을 할 것입니다

한국은 여전히 ​​우리에게 최고의 시장입니다 그러나 2 위는 북미에 있으며, 3 위는 일본이다 그리고 우리는 일본 시장에 집중하고 있습니다 올해는 일본에서 1 위를 차지했습니다 어제 우리는 새로운 타이틀을 시작했습니다

"전투기 Allstar의 왕"은 어제, 그리고 그것은 아주 좋은 출발처럼 보입니다 예 이것이 우리 스튜디오의 차트입니다 그리고 우리가 이것을 보여주고 싶습니다 너무 많은 스튜디오가 있습니다

즉, 개발할 수있는 [무관심한] 파이프 라인이 있음을 의미합니다 많은 주력 타이틀 그것은 우리를 매우 공격적으로 사업하게 만듭니다 예를 들어, 지난 주에 우리는 "StoneAge M"을 출시했습니다 이번 주에 우리는 "The King of Fighters Allstar"를 발표했습니다

다음 달에는 한국에서 새로운 타이틀을 시작할 예정입니다 다음 달에도 다음 달에 새로운 타이틀을 출시합니다 우리는 적극적으로 타이틀을 출시하고 있습니다 고맙습니다 그렇다면 우리는 인공 지능으로 무엇을하고 있습니까? 및 기계 학습? 그래서 Netmarble의 독창성을 설명하고자합니다

우리는 모바일 게임 퍼블리셔를 PC에서 모바일로 이끌고 있습니다 그리고 우리는 여전히 작은 PC 사업을하고 있습니다 그리고 네, 모바일에 갈 것입니다 동시에 우리는 한 장르에 초점을 맞추고 있지 않습니다 우리는 캐주얼 한 게임을하고 있습니다

동시에 우리는 여전히 액션 RPG를 개발합니다 그리고 요즈음, 우리는 우리의 MMORPG를 개발하고 있습니다 더 큰 돈을 벌기 위해 하지만 여전히 우리는 새로운 장르 [부주의] 더 빨리 성장할 수 있습니다 나는 큰 차이가 있다고 생각한다

우리와 다른 모바일 게임 회사간에 일반적으로 일반 회사는 초점을 맞추기 만합니다 한 장르 또는 한 장 제목 그러나 우리는 다양한 목표를 위해 다양한 장르를 만들고 있습니다 캐주얼 사용자에서 하드 코어로, 간단한 게임에서, MMORPG에 간단한 프로젝트 게임 우리는 모든 종류의 타이틀을 개발했습니다

그리고 우리는 많은 국가와 세계를 위해 일하고 있습니다 "7 박", "대리석 미래의 싸움", "계보 ll" "킹 오브 파이터 올스타" 우리는 한국, 동남아시아 및 일본에서 큰 성공을 거두고 있습니다 또한 미국 – 우리는 더 기대하고 있습니다 그렇게하기 위해, 우리는 많은 일을합니다

특히 우리는 여러 시도를하고있다 [? 입력?] [INAUDIBLE] 마케팅에서의 모바일 게임 운영 한국에서는 최고의 모바일 게임 베스트 마케팅을 정의합니다 그것은 우리가 모든 종류의 미디어 채널을 사용한다는 것을 의미합니다 2 주 동안 TV와 온라인 및 광고판을 포함하여 우리는 2 주 동안 만 미친 돈을 씁니다

그리고 그들은 우리에게 브랜드를 만들 것입니다 그렇다면 거대한 성공 한국에는 간단한 공식이 있습니다 거대한 돈을 모바일 타이틀과 함께 우리는 그것을 정의합니다

그리고 동시에, 우리는 다른 [무관심] 글로벌 마케팅 트렌드 예를 들어, 성과 마케팅 한국에서는 퍼포먼스 마케팅이 그렇게 중요하지 않습니다 제가 말했듯이, 대중 마케팅은 시장을 지배합니다 모바일 게임 시장

일반적으로 한국 기업은 실적에 익숙하지 않습니다 마케팅 여기서는 성과 마케팅이 중요하며, 어쩌면 TV 광고 나 광고판이 중요하지 않을 수도 있습니다 왜? 나는 모른다 보이는구나

그러나 한국에서는 모든 종류의 정보를 수집하고 있습니다 최고의 마케팅에 대해 그리고 한국 이외의 지역에서는 성능 마케팅을 채택하고 있습니다 경향 그리고 일본에서도 일본은 매우 독특한 장소입니다

그것은 매우 이해하기가 매우 어렵습니다 왜 이런 종류의 방법이 효과가 있는지, 왜 이것이 작동하지 않는지 이해하기 정말 어렵습니다 그러나 우리는 몇 년 동안 일본에서 성공하려고합니다 우리는 모든 종류의 정보를 수집하고 있습니다

그리고 마침내 우리는 [무관심]을 얻었습니다 이제 우리는 거의 같은 능력을 가지고 있다고 믿습니다 일본 기업으로 그래서 Netmarble의 AI 및 기계 학습을위한 힘 다양한 최상의 데이터 및 운영 노하우가 될 것입니다 우리는 다양한 장르 데이터, 다양한 시장, 다양한 마케팅 방법, 다양한 작업 – 캐주얼에서 하드 코어, 아시아에서 유럽 및 북미, 대량 데이터 기반의 고성능 마케팅, 그리고 빨리 [? 입양?] 일본 마케팅 전문, 상위 10 대 매출의 주력 타이틀 유지 5 년 동안 차트 우리는 5 년간 이러한 종류의 데이터를 수집하고 있습니다

그것은 우리의 특별한 무기입니다 Netmarble과의 주요 차이점이 있다고 생각하십시오 및 다른 게임 회사 그러나 그러한 종류의 데이터가 중요합니다 나는 그것이 중요하다고 생각한다

왜냐하면 [INAUDIBLE] title 보통 방법을 즐기는 [? 그냥?] [? ?] [? 일하는거야?] 맞지? [? 정복?]과 [? 고려해?] 결말 모바일 게임은 상당히 다릅니다 노출을 극대화하기 위해 자유롭게 플레이 할 수 있습니다 동시에 모든 종류의 콘텐츠를 선호합니다 유지 비율, 높은 유지 비율을 유지합니다

누군가는 정말 경쟁을 좋아합니다 누군가 커뮤니티를 정말 좋아합니다 누군가는 정말로 도전하는 것을 좋아합니다 누군가는 정말로 힘을 좋아합니다 그래서 우리는 하나의 제목에 모든 종류의 내용을 준비합니다

우리의 성공 가능성을 극대화합니다 그것은 Netmarble의 방식입니다 이 푸른 색 모양은 한국이고 이것은 브뤼셀입니다 이것은 미국, 대만입니다 같은 제목, 같은 균형, 하나의 빌드,하지만 모든 나라 다른 방식으로 그것을 즐긴다

정말 재밌 네요 그리고 이것은 시간 축입니다 그리고 이것은 [? 시도해 봐?] [? 즐길 수 내용 푸른 색은 한국이고 보라색은 미국 – 거대한 차이 몇몇 제목에 정복하거나 번호 하나가되는 가장 쉬운 방법은, [INAUDIBLE] 가장 효율적인 방법이 있습니다

그러나 어쨌든, 미국 친구들은 다르게 플레이합니다 한국 남자들은 다르게 게임한다 모두 다 다릅니다 우리는 게임 내 데이터의 종류를 가지고 있습니다 나는 이것이 우리에게 정말로, 정말로, 정말 강력한 무기라고 믿습니다

그러나 문제는 우리 출판의 커다란 유산이 있다는 것입니다 비즈니스 측면에서 PC 측면 그래서 우리는 Google과 매우 좋은 관계를 유지하고 있습니다 구름 이제 우리는 우리의 유산을 구름 트렌드로 바꿀 수 있기를 희망합니다

최대한 빨리 Google PSO에서 큰 도움이 필요합니다 [LAUGHS] 그래서 PC에서 모바일로의 [INAUDIBLE] 전환으로 인해 – PC 게임 측에 너무 많은 유산이있다 그리고 작년에 [INAUDIBLE] 클라우드 용 게임 [INAUDIBLE] 또한 Google Analytics는 모바일 용으로 [INAUDIBLE]입니다

우리는 모든 것을 가능한 한 빨리 바꾸고 있습니까? 우리 플랫폼을 바꿀 수 있다고 생각합니다 Google GCP와 같은 공개 클라우드에 우리가 가지고있는 데이터와 모든 것을 결합 할 수 있다면, 우리가 매우 강하게 AI와 기계 학습 회사가 될 수 있다고 생각합니다 어쩌면 될 수 있습니다 그래서 Netmarble은 올해 초 NARC를 시작했습니다 이 데이터로 새로운 비즈니스, 새로운 AI 비즈니스 개발 그리고 우리의 운영 노하우

NARC는 여기에 마약 관련 문제가 있다는 것을 알고 있습니다 하지만 나는이 이름을 사용하지 않는다고 말했다 그러나 어쨌든, 나의 의장은 이것을 사용하기로 결정했습니다 NARC는 Netmarble AI 혁명 센터를 의미합니다 그리고 혁명은 마케팅의 핵심 단어입니다

그리고 우리는 이영영을 고용합니다 17 년 – IBM TJ Watson Research Center에서 일합니다 그리고 그는 아마 왓슨의 조상 중 하나입니다 그리고 모두는 어쨌든 왓슨을 싫어합니다 이승영 대표는 현재 NARC의 책임자이며, 동시에 Netmarble의 CTO입니다

그는 기술 측면에서 모든 변화를 주도하고 있습니다 우리 산업은 [단순하다] 매우 간단합니다 AI 기술을 사용하여 게임 개발을해야합니다 그리고 우리는 더 나은 것을 만들고 싶습니다 AI 솔루션으로 작동합니다

예 이 [미숙 한] 우리는 모든 것을 할 수 있다고 말했다 우리는 모든 것을 할 것입니다 하지만 그래, 우리는 이미 약간의 진전을 이루고있다 강화 학습

모두들 그걸 시도했지만 우리가 시도 했어 우리의 균형 문제를 해결하기위한 학습 강화 또한 AI 기술을 사용하는 게임 시뮬레이터를 만들고 있습니다 동시에 우리는 큰 데이터 분석을하고 있습니다 BigQuery를 사용하는 Google Cloud 플랫폼 GCP 그리고 그들은 우리의 행동 데이터를 사용하고, 그들은 우리의 프로파일 데이터 인 QA 자동화 시스템을 사용하십시오

우리가 지금하고있는 일의 종류 나는이 편이 아니라이 편을 담당한다 네 내가 말했듯이, 나는 게임 서비스 AI를 담당하고있다 게임 운영과 관련된 AI, 모든 종류의 활동, 게임 외부가 아니야

예를 들어, 마케팅 및 운영 그리고 또한, 큰 데이터 분석 네, 그래서 저는 우리를 단순한 전략으로 만듭니다 – 그냥 ABC 내부의 모든 사람들에게 실용적인 통찰력을 제공하고 싶습니다 Netmarble 나는 모른다

많은 게임 스튜디오는 예측을 시도합니다 맞습니다 변동 예측, LTV 예측, 많은 것들 그러나 실제로 그러한 의미가 있습니다 내 질문이다

수년 동안, 우리는 서구 기업을 복사하려했습니다 서구의 회사는 우리의 능력보다 높은 것처럼 보입니다 그래서 우리는 모든 것을 따라 잡으려고했습니다 그래서 우리는 휘젓다을 예측하려고합니다 우리는 LTV를 예측하려고했습니다

그리고 우리의 결론은 그렇습니다, 우리는 그렇게 할 수 있습니다, 그렇다면 무엇을 할 수 있습니까? 따라서 돈을 더 벌거나 더 나은 서비스를 제공하기 위해 할 수있는 일 질문이 아닙니다 요즘 우리 팀은 집중하고 있습니다 실용적인 통찰력을 만드는 데 Netmarble 내부의 모든 사람들에게 실행 가능한 통찰력을 제공하십시오 예를 들어, 간단한 손실 예측을 제공합니다 마케팅 담당자에게 리포터 데이터를 기반으로 모든 것을 결정할 수 있습니다

마케터는 더 많은 돈을 지출하거나 지출을 중단하거나 변화시킬 것입니다 마케팅 채널 그리고 매일, 그들은 모든 것을 최적화하려고 노력하고 있습니다 데이터를 기반으로합니다 그런 종류의 일, 나는 그것을 정말로하고 싶다

비즈니스에 미치는 영향 인공 지능과 기계 학습은 매우, 유행 기술, 많은 문제를 해결할 수 있습니다 그러나 나를 위해, 기술적 인 문제를 해결하는 것은 매력적이지 않습니다 우리는 정말로 간단한 문제를 해결하기를 원합니다 하지만 그것은 큰 비즈니스 영향을 미칩니다

예를 들어 광고 사기 탐지 시스템을 개발합니다 그것은 퍼포먼스 마케팅을위한 엄청난 돈을 절약 할 것입니다 그리고 그런 종류의 일은 정말로하고 싶습니다 동시에, Netmarble은 모바일 게임 회사입니다 이것은 우리가 아주 좋은 개발자가 없다는 것을 의미합니다

인공 지능 또는 기계 학습 이상의 강력한 개발 타워 이 문제를 해결하기 위해 Google은 공동 작업을 실제로 시도했습니다 다른 대기업과 예를 들어, 우리는 아주 좋은 관계가 있습니다 Google 클라우드 – PSO 팀과 PSO 팀은 우리에게 많은 통찰력을 제공했습니다 새로운 시스템을 개발하고 두통 문제를 해결할 수 있습니다

그들은 매우 영리하며, 우리는 그들의 능력을 따라 잡고 있습니다 그러나 한 가지 더, 우리는 올바른 문제를 해결하려고 노력했습니다 올바른 문제는 우리가 실제로 해결하고자하는 것입니다 그리고 그것은 인간이 풀 수 있지만 때로는 필요합니다 많은 사람들이 있고 많은 시간이 필요합니다

그런 종류의 문제는 완벽하고 완벽합니다 기계 학습을 사용하기 때문에 우리는 믿습니다 그리고 우리는 이미 여러 경우를 시도했다 자신을 [무관계] 도표로 만드십시오 마케팅을 위해 LTV 예측, ROAS 예측 및 광고 사기 탐지 시스템

그리고 제가 말했듯이 우리는 LTV 예측을 개발했습니다 하지만 조금도 사용하지 않으므로 아무도 사용하지 않습니다 대중 마케팅에 사용하기가 어렵습니다 그리고 한국에서는 LTV가 그다지 중요하지 않습니다 그리고 그것은 동남 아시아와 어쩌면 일본에서도 마찬가지입니다

그래서 우리는 ROAS 예측을 개발했습니다 그리고 마케팅 예산을 회수 할 수 있습니다 월간 기준 우리는 마케팅 예산을 be [? 액체?] 2 개월 또는 3 개월 후 또는 4 몇 개월 뒤 그리고 나서, 우리는이 시스템을 개발했습니다

그리고 [무관심]은 매우 높습니다 현재, 그게 어떻게 내가 말할 수 있니? 어쩌면 플러스 또는 마이너스 15 일 정말 정확합니다

그리고 우리 사장님은 항상 더 많은 돈을 쓰고 자합니다 손실 예측을 기반으로합니다 또한 광고 사기 탐지 시스템을 개발했습니다 그것은 많은 마케터들의 두통입니다 그리고 그것은 정말로, 정말로

수많은 솔루션이 있습니다 예를 들어, [INAUDIBLE]도 그런 종류의 것을 제공합니다 그리고 많은 [? 동향?] 회사 광고 사기를 탐지 할 수있는 해결책을 제공하십시오

문제는 우리가 회사 외부에 의존하기를 원하지 않는다는 것입니다 그리고 우리는 탐지 할 데이터가 충분하다고 믿습니다 자신에 의한 광고 사기 그리고 우리는 노력했고 우리는 커다란 성공을 거두고 있습니다 게임 서비스 운영을 위해, 우리는 churn report, 다른 모든 사람들처럼

그러나 우리는 기계 학습을 사용하여 떠나는 것 또는 머무르는 것의 차이 당신은 그들이 가지고있는 차이점이 무엇인지 알게됩니다 누군가가 [[? PVP?] 손실 그리고 누군가가 5 ~ 6 번 연주한다면 더 오래 머물러 있습니다 하루

우리가 데이터에서 추출하고자하는 그런 통찰력 그리고 매일 아침, 우리 작전 팀원들은 보고서를받습니다 어떤 추세가 진행되고 있으며 어떤 종류의 주요한 차이점이 있는가? 버추기 사이에 [INAUDIBLE]와 [INAUDIBLE]에 머물러 있습니다 또한 특별 해산 예측 보고서를 개발했습니다 우리는 행동에 대한 단서를 제공하는 데 집중하고 있습니다

예를 들어, 여기 누군가가 있습니다 그들의 확률은 아마도 90 %를 넘을 것이다 그건 우리가 아무 것도 할 수 없다는 것을 의미합니다 그는 나가서 다른 칭호를 즐긴다 휘젓다 예측에서 여기 누군가가 아마도 해지율이 60 % 또는 80 % 일 것입니다

그러나 우리의 두 번째 날 보유는 50 % 이상입니다 그래서 60 %가 더 높거나 높지 않습니까? 일상적인 작업을 이해하는 것은 정말 어렵습니다 가이드 그래서 우리는 단지 간단한 지침을 제공합니다 이 사람에 집중하고,이 사람을 잡을 수 있다면 어쩌면 내일 후, 당신은 거대한 유지를 얻을 수 있습니다

[? 3?] [? 개월 ?] 그런 종류의보고, 우리는 매일 배달합니다 또한 게임 내 이상 탐지 기능을 개발합니다 그리고 그것은 우리의 협력 프로젝트입니다 Google PSO 팀과 오늘, 우리의 타이틀 서비스 기간 더 길고 길다

즉 콘텐츠는 매우 복잡합니다 버그없는 상태를 유지하는 것은 정말로 어렵습니다 항상 버그가있을 것입니다 즉, 항상 버그가 있음을 의미합니다 [INAUDIBLE]

그 종류의 사용자를 가능한 한 빨리 찾는 방법은 무엇입니까? 그것은 가장 중요한 문제 중 하나입니다 길고 길게 길게 봉사하십시오 그래서 우리는 테스트 시스템을 개발했습니다 그래서 나는 3 가지 사례를 깊이 잠수하고 싶습니다

하나는 레스 마라 보고서입니다 레스 마라 알고 있니? 그거 알아? 네, 일본 출신입니까? 관객 : [INAUDIBLE] 연사 : 네 Resemara는 매우 흥미로운 방법입니다 게임 콘텐츠를 즐길 수 있습니다 Resemara는 재설정, 결합, 마라톤입니다

일본과 아시아에서는 일반적으로 무료입니다 [INAUDIBLE] 비즈니스 모델을 채택한 게임을 즐기십시오 [INAUDIBLE]은 어떻게 말 할 수 있습니까? [INAUDIBLE] 네, [INAUDIBLE]에 익숙하십니까 ?? 자물쇠 상자 같은 거지? 그리고 일본에서는 마케팅 가격이 정말로 높습니다 즉, 우리는 사용자를 적어도 하루에 1 시간 이상 붙잡고 싶습니다 즉, 우리는 아주 좋은 인상을 주어야했습니다

시작시 그래서 우리는 특별한 [INAUDIBLE] 상자 만 준비했습니다 신규 사용자 그것은 매우 특별한 카드와 같은 것을 포함합니다, 또는 아주 특별한 특성, 또는 아주 특별한 선물 그것을 얻으려면 사용자 재설정, 즉 앱을 삭제하고 앱을 2 개 이상 계속 설치하십시오

또는 멈추지 않고 3 일 대개 200 회 또는 300 회, 사용자 실제로 그들이 원하는 것을 얻을 수 있습니다 얼마 동안은 1,000 회 또는 2000 회 이상입니다 그것은 매우 어리석은 보입니다 그러나 어쨌든, 그들은 그것을 시도했습니다

그리고 그것은 또한 주요 방법 중 하나입니다 일본과 동남아시아에서 게임을 즐길 수 있습니다 문제는 모든 KPI를 신뢰할 수 없다는 것입니다 회원 유지율은 매우 낮습니다 Resemara 때문입니다

아무도 그것을 모른다 그리고 첫 번째로, 가입 선물이 충분합니다 아무도 그것을 모른다 그러나 레스 마리처럼 뭔가가 너무 높습니다 그 말은 우리가 선물을 너무 많이주는 것을 의미합니까? 사인?] [? 사용자

?]하지만 Resemara가 너무 적 으면, 그것은 충분히 좋지 않다는 것을 의미합니다 얼마나 많은 계정 전환이 발생 했습니까? 그것은 또한 매우 중요한 것입니다 이 제목과 같은 것이 아주 좋습니다 이 제목은 우리에게 매우 특별한 가입 선물을줍니다 그리고 나서 그들은 레스 마라 (Resemara)를합니다

중국에는 이런 상황에 처한 사람들이 있습니다 그들은 Resemara [? 펌프?] 그들 자신에게 특별한 계좌 그런 다음 많은 계정을 생성하고이를 판매합니다 일본의 실제 선수 그리고 그런 종류의 일은 게임의 균형을 깨뜨릴 수 있습니다

그래서 매우 위험한 것입니다 그래서 Google은 많은 Google Cloud를 사용하여 Resemara보고 시스템을 만듭니다 플랫폼 서비스 우리는 기계 학습이나 특별한 것을 사용하지 않고 있습니다 하지만 어쨌든 모든 사용자 로컬 데이터를 분석 할 수 있습니다

BigQuery로 인해 실시간으로 강력한 Google Cloud 플랫폼입니다 마지막으로 Resemara없이 신뢰할 수있는 KPI를 생성 할 수 있습니다 이건 매우 중요합니다 지난 주에 우리가 한 가지를 개발했습니다 즉, 나는 개발자들에게 "King 파이터 알 스타 "발사

광고 사기 시스템 광고 사기가 나를 두통으로 여긴다는 것을 설명하기 위해, 방금 Google을 검색하여 아주 간단한 기사를 찾았습니다 그것에 대해 모바일 광고 지출은 올해 또 20 % 증가하고있다 그리고 20 % [미숙품]

모든 광고 제목에는 광고 사기가 있습니다 즉, 불법 다운로드 또는 무언가를 의미합니다 클릭 [? 손바닥?] 또는 [INAUDIBLE] ,, 그냥 설치하거나 훔치지 않고 돈을 벌기 위해 다른 사람들로부터 설치 그런 종류의 일이 몇 번이고 반복되고 있습니다 이것은 큰 문제를 만든다

그것은 그들이 우리의 직함을 즐기지 않을 것임을 의미합니다 우리가 돈을 쓰고 그들의 보유가 내려갈거야 문제는 광고 사기, 실제 보존없이 조금 더 높을 것입니다 그것은 우리가 더 큰 성공을 위해 돈을 써야한다는 것을 의미합니다 하지만 광고 사기로 인해 어떤 것을 결정할 수는 없습니다

오른쪽처럼 – 우리는 올바른 결정을 내릴 수 없습니다 그래서 우리는 광고 사기 탐지 시스템을 개발했습니다 그리고 나는 그것을 어떻게 발견하는지 설명 할 것입니다 첫째, 우리는 코호트를 만듭니다 그 다음 코호트 특정 변수를 만듭니다

그리고 우리는 모든 변수에 의해 정상 범위를 계산합니다 Google은 [부적절한] 광고 채널, 예를 들어 페이스 북과 같은 것입니다 Facebook은 광고 사기와 같은 것을 만들기가 정말로 어렵습니다 우리가 지금 수집하고있는 그러한 종류의 데이터와 신뢰할 수없는 [? 함정 ?] 이런 종류의 코호트는 조금 이상합니다

모두들 이것처럼 보입니다,하지만 여기, [미숙 한]이 것 우리는 일부 보고서를 마케팅 담당자에게 제공합니다 그리고 마케터 수표, 심층 다이브, 그리고 이것을 찾으십시오 [INAUDIBLE]와 같은 것입니다 네, 이것은 다이어그램입니다

재미있는 점은 이것도 매우 간단한 트릭입니다 우리에게서 돈을 얻기 위해서, 뭔가 [INAUDIBLE]을 클릭하십시오 그런 종류의 일은 여전히 ​​가능합니다 그냥 – 그래서 우리는 하나 더 개발 [? 전리품 ?] 다른 사람들과 비교해 보면, 또한 간단한 규칙을 확인하십시오

예를 들어, 같은 시간에 로그인하기 만하면, 같은 시간에 그냥 로그 아웃하면됩니다 같은 시간에 [INAUDIBLE] 해보십시오 간단한 클릭 봇 같은 종류의 간단한 규칙으로 찾을 수 있습니다 마지막은 게임 내 이상 탐지입니다 예? 모든 것이 있습니다

이것은 인간이 머리 글꼴에 누워 있습니다 재밌 네요 그러나 그것은 화가 났던 것의 표현입니다 어떤 버그, 또는 [INAUDIBLE] 중 일부 때문에 또는 일부 작동 오류 한국에서는, 사용자는 그것에 대해 화를냅니다

이런 종류의 기사처럼 [KOREAN] 그것은 거짓말을 의미합니다 그리고 그런 종류의 일은 우리에게는 매우 위험한 일입니다 왜냐하면 그것은 우리 타이틀에 나쁜 브랜딩을하기 때문입니다

그리고 나서, 이런 종류의 일을 막기 위해, 우리는 버그 또는 [INAUDIBLE] 최대한 빨리 그래서 우리는 규칙 기반 엔진을 개발했습니다 문제는 매달 새로운 콘텐츠를 제공한다는 것입니다 즉, 매달 새로운 규칙을 준비해야한다는 의미입니다 버그 또는 [INAUDIBLE]을 (를) 탐지합니다

그것은 너무 복잡하기 때문에 거의 불가능합니다 아무도이 시스템을 신경 쓰지 않습니다 그들은 단지 새로운 콘텐츠를 개발하는 데 주력하고자합니다 그들은 새로운 디자인 규칙을 만들고 싶지 않습니다 따라서 규칙 기반 엔진은 우리의 문제를 해결할 수 없습니다

그래서 우리는 LSTM AutoEncoder를 세우고 있습니다 이 문제를 해결하는 네트워크 그리고 뭐? 관객 : [INAUDIBLE] 그것이 가장 효과적 이었기 때문에 [부적절한] 순서에 따라 사용자 행동을 분석하기위한 그런 다음 [? onliner ?] 우리가 개발 한 이러한 복잡한 활동들 우리는 모든 종류의 디지털 서비스를 사용합니다

그리고 우리는 젠킨스를 사용하여 그것을 통제합니다 그리고 우리는 일종의 세그먼트 접근 방식을 사용합니다 [부적절한] EDA 그걸 어떻게 관리할까요? 비정상적으로 발견 된 결과를보고합니다 매 시간마다 조작부에

그리고 운전자의 사람들은 그 상황에서 게임을 확인합니다 그리고 나서 버그 같은 것이 있다면, 개발자에게보고합니다 개발자가이를 수정하면 우리는 [? 금지?] 매 시간마다 [INAUDIBLE] 버그 이것이 바로 우리의 현재 비전입니다 그래서 요약 – 나는 이것을 다시 시험하고 싶지 않습니다

그래 Netmarble은 기계를 활용 해 왔습니다 많은 사람들이 필요한 지역을 위해 하나씩 학습하기 작업하고 많은 시간을 필요로합니다 그리고 일부 문제는 큰 비즈니스 영향을 미칩니다 앞으로는 할 일이 많이 있지만 그래

Google Cloud 및 PSO와의 협력을 믿습니다 팀, 우리는 가능한 한 빨리 많은 문제를 해결할 수 있습니다 우리는 계속 그것을 시도 할 것입니다 나는 내년에 우리가 더 많은 통찰력을 제공 할 수 있다고 믿습니다 모두에게 그리고 그 때, 나는 뭔가를 고용 할 것이라고 생각한다

영어 말하기, 영어 원어민 나를 대신해서 나를 대신하여 연설을해야합니다 고마워 고맙습니다 [박수 갈채] 그리고 우리는 어떤 질의 응답도 준비하지 않습니다 하지만 어쨌든,이 세 남자 그 사람들이 똑같은 티셔츠를 입고 있습니다

실제 개발자입니다 나는 이런 종류의 결과를 내기 위해 그들을 밀고있다 그리고 그들은 그들이 어떤 종류의 제품을 만들 었는지 알 수 있습니다 즉, 모든 종류의 질문을 할 수 있습니다 예를 들어 왜 [? LTV,?] 그리고 만약 그렇다면 정말 도움이되는지 아닌지

그런 종류의 질문, 당신은 나를 위해서가 아니라 그들을 구할 수 있습니다 고마워 [음악 재생]