NeurIPS and AI Research with Anima Anandkumar: GCPPodcast Episode 157

[음악 재생] 멜라니 워릭 : 안녕하세요 에피소드 157에 오신 것을 환영합니다

"Google Cloud Platform Podcast"의 나는 멜라니 워릭이야, 나 혼자 야 이번 주에 마크는 휴가 중입니다 하지만 괜찮습니다 다음주에 다시 올거야 나는 Anima Anandkumar에 초대했다

이번 주에 우리와 함께하여 다가오는 컨퍼런스에 관해 이야기 할 것입니다 AI 커뮤니티에서 꽤 잘 확립 된 컨퍼런스 이 회의는 실제로 다음주에 열릴 예정입니다 특히, 우리는 말할 것입니다 그 이름을 둘러싼 논쟁에 대해서 더 구체적으로는 회의의 머리 글자 어입니다

이것이 바로 핵심 구성 요소로 듣게 될 것입니다 이번 주 우리의 포드 캐스트 중 그 이름은 신경 정보를위한 NIPS였습니다 프로세싱 시스템 (Processing System)을 개발했지만 NeurIPS (NeurIPS) 우리가 그걸 알아챌거야 언제나처럼, 우리는 그주의 멋진 것들로 시작합니다

그리고 우리는 그주의 질문으로 끝날 것입니다 그리고 팟 캐스트의 내용 때문에, 나는 의문을 가지고 가기로 작정했다 너가 조롱 당하거나, 너라면 온라인에서 괴롭힘을 당하면서 그걸 할 수 있니? 그래서 우리는 나중에 그것을 얻을 것입니다 하지만 그 전에, 제가 언급했듯이, 우리는 이번 주에 우리의 시원한 것들에 도달하고, 이번 주 동안, 내가 우리를 위해 발굴 한 몇 가지 멋진 것들이 있습니다 또는 최소한 끌어 당겼다

말하는 블로그 게시물이 있습니다 클라우드 DLP로 작업하는 방법, 데이터 손실 특히 예방 API, 도움 비 식별 및 난독 화와 함께 민감한 정보 따라서 서면으로 작성한 컨텐츠로 많은 일을한다면, 당신은 그것을 공유 할 필요가 있습니다 – 그리고 오늘날과 시대에, 마스크 할 수 있는지에 대한 민감성이 있다는 것을 알고 있습니다 전화 번호, 사회 보장 번호 – 이 API에는 통합 할 수있는 방법이 있습니다 네가하고있는 일에 또는 당신이 가진 많은 것들에 교체 작업을보다 쉽게 ​​자동화 할 수 있도록 협력하고, 수정, 마스킹 – 당신의 이름입니다

따라서 해당 API에 대한 정보 및 API 사용 방법 블로그 게시물에 제공됩니다 이번 주 또 다른 멋진 일이 있습니다 어떻게 할 수 있는지에 대한 멋진 블로그 글 의료 이미징 데이터로 가능한 것을 열어주십시오 따라서 몇 가지 추가 도구와 기술을 단계별로 실행하고 있습니다 다시 출시 된 API 내에서 제공되는 3 월, 특히 클라우드 헬스 케어 API 그러나 그것의 바깥쪽에 또한

API 자체에서 내가 말한 탈 식별 기술 클라우드 DLP에서 가져온 다음 이해를 돕기 위해 제공된 일부 코드 랩 건강 관리를 위해 인공 지능과 기계 학습을 사용하는 방법, 뿐만 아니라 Kaggle은 파트너 관계를 맺고 있습니다 알지 못하는 사람들을위한 RSNA와의 경쟁, RSNA는 북미의 방사선 학회 (Radiological Society of North America) 그들은 특히 경쟁을하고 있습니다 폐렴 검진 따라서 이러한 유형의 활동과 기법을 확인할 수 있습니다 그것이 어떻게 적용될 수 있는지보십시오

또 다른 멋진 점은 데이터 세트가 API로 통합되고 제공되고있다 Google Cloud를 통해 데이터 세트는 Quick, Draw! 제공했다 작년에 출처를 공개 했으므로, 그러나 최근에는 그것이 통합으로서의 공급자 였을 때입니다 Google 클라우드로 그리고 그것은 5 천만 개의 드로잉입니다 사실, 그래서 당신이 이미지를 가지고 실험하고 싶다면 그리고 그려진 이미지로 실험 해보세요 당신은 이것을 조사해야합니다

그리고 이번 주 마지막 멋진 일 – 우리 동료 중 한 명인 새라 로빈슨 (Sara Robinson) 이 위대한 블로그 게시물을 작성했습니다 머신 학습 기계로 알려져 있습니다 본질적으로, 그녀는 CPU 성능을 평가할 수 있으며,이 모델의 배경에있는 아이디어 당신이 사람들을 이해하도록 돕고 싶다는 것입니다 그 질문, 어떤 유형의 CPU 설정 기계 학습을 할 때 사용해야합니까? 글쎄, 훌륭한 콘텐츠가있어 SPEC이 구축 중이거나 수거 해왔다는 것, 표준 성능 평가 회사

수집하는 데이터의 종류 컴퓨터 성능 및 에너지에 관한 벤치 마크 결과입니다 효율성을 고려하여 다양한 설정을 검토했습니다 그들은 그들의 공연을 보았다 다양한 유형의 알고리즘, 비디오, 오디오 그래서 그녀는이 정보를 가지고갔습니다

그런 다음 그녀는 해당 CPU에 대한 필요성을 예측하는 데 도움을줍니다 그리고 당신이 사용할 수있는 CPU가 무엇이든, 그것이 얼마나 성취 할 것인가 그래, 블로그 게시물을 봐 그녀가 한 일, 왜 그 일을했는지, 그리고 당신도 스스로 할 수도 있고 그녀가하는 것을 사용할 수도 있습니다 세워짐

이번 주에는 멋진 일을 위해 그것은 우리를위한 것입니다 인터뷰에 참여할 시간 애니 마랑 얘기해 봅시다 그래서 이번 주 Anima Anandkumar가 저와 합류하게 된 것을 기쁘게 생각합니다 팟 캐스트에

나는 너를 여기에서 보내서 매우 기쁘다 팟 캐스트를 가져 주셔서 감사합니다, 아니 마 ANIMA ANANDKUMAR : 고마워요, 멜라니 그것은 기쁨 멜리 준 워릭 : 그래서 애니 마야, 나도 알아

당신은 Caltech, CMS 부서의 Bren 교수입니다 당신은 또한 기계 학습 연구의 책임자이기도합니다 Nvidia에서 우리는 브라이언과 함께 훌륭한 포드 캐스트를했습니다 올해 초 Nvidia와 그가 저지른 작업에 대해 그리고 상당한 액수를 버렸습니다 연구 전반에 걸쳐, 특히 tensors에서의 중요한 영향 – 텐서 대수적 방법, 나는해야한다

말하자면, 특히 대규모 학습, 깊은 학습, 확률 론적 모델 항상 그렇습니다 빨리 말하기가 매우 어렵습니다 기계 주변 공간에 큰 영향을 미쳤습니다 인공 지능을 배우면서 조금 더 말씀해 주시겠습니까? 내가 이미 얘기 한 것 이외에, 당신이 누구인지, 당신의 배경은 무엇입니까? 현장에서? ANIMA ANANDKUMAR : 당연하지, 멜라니

나는 다양한 배경을 가지고 일했다 주제의 범위 사실, 나는 전기 공학에서 시작했다 신호 처리 및 정보 이론 작업 제가 처음으로 보았던 문제는 센서 네트워크였습니다

분산되어있는 엄청난 수의 센서가 있다면, 무선 네트워크를 통해 통신해야하는 배터리가 부족하여 어떻게 학습 할 수 있습니까? 그리고 오늘, 우리는 그것에 대해 다시 생각해 보았습니다 인터넷에 대해 생각한다면 그러나 약 15 년 전, 그것은 여전히 ​​개념적인 문제였습니다 그러나 무엇에 대해 많은 질문이있었습니다 사용할 수학 공식 및 방법 분산 된 환경에서 정보를 생각하는 것

그래서 저는 이것이 완전한 동그라미가되는 것을 봅니다, 제가 깊이있는 이론 개념을 생각하기 시작했습니다 그러나 오늘, 우리는 그 많은 꿈을 실현할 수 있습니다 우리는 그 네트워크, 장치, 일어나는 것을 볼 수 있습니다 우리는 우리가 깨달을 수있는 것을 물어볼 수있다 실용적인 응용 프로그램으로

그런 이유로 그것은 정말 흥분되는 시간입니다 기계 학습 및 인공 지능에 있어야하며, 여러 다른 영역의 배경을 가지고 있습니다 정보 이론의 기초 이론, 기계 내가 배울 수있는 학습 이론 이론과 실천 사이의 격차를 해소하는 방법을 묻습니다 고마워요 그래서 나는 사람들이 텐서 (tensors)에 관해 말할 때마다, 그들은 보통 당신에 대해 이야기 할 것입니다

나는 또한 많은 사람들이 끊임없이 그들이 질문에 대해 들었을 때, TensorFlow를 의미합니까? 잠시 만지고 싶니? Tensor는 TensorFlow에 있지만 반드시 그런 것은 아닙니다 TensorFlow를 의미합니다 ANIMA ANANDKUMAR : 좋은 뜻은 깊은 학습 혁명에 관하여 지금은 아무도는 텐서를 두려워하지 않는다 모두는 tensors라는 단어에 대해 들어 봤습니다 그것이 깊은 학습 틀로서의 TensorFlow이든, 또는 텐서 호출을 사용하여 깊은 계산을 수행합니다

Nvidia GPU 학습 하지만 저에게 그것은 완전히 아닙니다 텐서 계산의 잠재력을 실현합니다 우리는 여전히 이러한 텐서 호출에서 행렬 대수학을 수행합니다 또는 우리의 신경 네트워크 [INAUDIBLE] ,, TensorFlow에 신경망을 작성할 때, 그래서 당신이 그 작업을 확장 할 수있는 반면 훨씬 더 광범위하게 생각하십시오

그렇다면 TensorFlow는 무엇을 의미합니까? 그것은 당신이 텐서의 흐름을 가지고 있다는 것을 의미합니다 이러한 처리 계층 전반에 걸쳐 입력은 텐서입니다 출력은 일반적으로 텐서, 당신은 그것을 변형시키는 이러한 중간 작업을 가지고 있습니다 그리고 지금 당장 우리는 이러한 변환을 수행하고 있습니다 다소 단순한 방법으로 이러한 아키텍처는 어렵습니다

우리는 [INAUDIBLE]에 의해 가고 있습니다 우리는 말하고 있습니다 편차가있는 번역이 있기 때문에, 그리고 이것은 우리가 [INAUDIBLE] 할 때 갖는 유용한 것입니다 완전히 연결된 레이어로 변환 해 봅시다

이 3 차원 활성화를 변경해야하기 때문에 길쌈 층의 무언가로 카테고리로 처리 할 수 ​​있습니다 분류 작업의 결과입니다 이것들은 간단한 직관에 의해 진행됩니다 그러나 우리는 다음 단계가 무엇인지 물을 수 있습니다 훨씬 복잡한 아키텍처를 할 수 있을까요? 그러나 그것은 우리에게 여러 차원의 이점을 줄 수 있습니다

잠재적으로 우리의 현재 네트워크를 압축 할 수있다 대량으로, 우리가 더 잘 일반화 할 수 있도록 더 좋고 더 높은 차원에서 상관 관계를 더 잘 포착하기 때문에 의미있는 방법? 그리고 그것이 바로 텐서 대수학의 잠재력입니다 간단한 예로서, 시작하면 이러한 컨볼 루션 네트워크에서는, 내가 전에 언급 한 것처럼 이 3 차원 활성화가있다 길쌈 레이어를 통과 할 때 필터가 작동하는 방식을보고 있기 때문에 입력에, 그리고 이렇게 많은 채널을 가지고 처리 할 때 누적되는 모든 필터를 통해 그래서 당신은이 입체적인 모양을 가지고 있습니다 하지만 완전히 연결된 레이어에 올 때, 당신은 그것을 vectorize

이 세 가지 차원을 모두 무시합니다 당신은 그냥 벡터로 취급하고, 당신은 완전히 연결된 레이어로 행렬 곱셈을 수행하고, 그런 층을 거의 거치지 않고 결과를 전달합니다 그리고 최종적으로 출력을 얻습니다 이것은 분류입니다 그래서 대신에 우리는 물었습니다

3 차원 정보를 유지하다 모든 방법을 통해? 완전히 연결된 층에서도, 당신은 3 차원을 유지합니다 텐서를 수축하면 당신은 세 가지 별개의 무게 행렬을보고 있습니다 치수, 그리고 당신은 그것들을 배우고 있습니다 그리고 마지막 층에서 회귀를 할 때, 낮은 순위의 매개 변수화 된 가중치를 사용하고 있습니다 즉, 매개 변수 집합을 훨씬 더 작게 만들 수 있습니다

당신에게 똑같은 정확성을 줄 수 있습니다 실제로 우리는 65 % 이상의 공간 절약을 발견했습니다 이러한 완전히 연결된 레이어에서 다차원 성 그리고 내가 가진 야망은 그것을 다음 단계로 가져가는 것입니다 내가 완전히 새로운 것을 깨달을 수 있다고 생각해 보라

이 고차원을 바라 보면서 건축 텐서 연산 그들이 무엇이고, 어떤 영향을 미칠 수 있습니까? 특히 멀티 모달 정보를 생각하면 그것은 단지 이미지가 아닙니다 그것은 이미지와 텍스트 및 기타 정보입니다 우리는 이러한 차원의 폭발이 있습니다 우리는 자연적으로 그들을 텐서로 부호화 할 수 있습니까? 그것을 네트워크 전체에서 수행하십시오

MELANIE WARRICK : 그것은 당신의 연구의 다음 단계입니다 당신이 현재 관여하고 있다고 당신이 앞으로 나아갈 방향으로 말입니다 그래서 내가 원했던 다른 질문들 중 하나 우리가 잠수하기 전에 너에게 물어볼거야 추가 물건 고기 우리는이 포드 캐스트 동안 이야기 할 예정이었습니다 너는 무엇에 대해 우리에게 조금 말할 수 있니? 당신은 기계의 책임자로서 엔비디아 학습 연구? ANIMA ANANDKUMAR : 네, 그래서 엔비디아에 와서 매우 기쁩니다

지금은 두 달이되었습니다 그것은 매우 빠르게 진행되었습니다 왜냐하면 – 멜라니 워릭 : 그래서 모든 문제를 해결 했어야합니다 그곳에 [웃음] [INAUDIBLE] 문제 없습니다

ANIMA ANANDKUMAR : 나는 단지 소원한다 나는 단지 소원한다 나는 놀라운 동료를 갖게되어서 너무 기쁩니다 Bill Dally는 여기의 수석 과학자입니다 Bryan Catanzaro, Jan Kautz 및 연구원들도 컴퓨터 그래픽 측면, 아키텍처, 하드웨어

연구의이 학제 적 특성이 여기에 있습니다 엔지니어링의 우수성과 확장 성 엔비디아가 제공합니다 나는 연구 문제를 생각하게되어 매우 기쁩니다 기계 학습의 핵심에서, 예를 들면, 우리는 새로운 신경 네트워크 아키텍처를 실현할 수 있습니까? 하지만 실제로 규모에 맞춰 실현하고 있습니까? 전체 스택 솔루션입니다 우리는 더 나은 하드웨어, 더 나은 [INAUDIBLE] 프리미티브, 디자인하고 구현하기 쉬운 프레임 워크 알고리즘? 그리고 그것이 엔비디아가 나에게 너무 흥미로 웠던 이유입니다

왜냐하면 나는 그것을 실천으로 옮길 수 있기 때문이다 나는 진짜 이익을 볼 수 있지만, 나는 또한 자유와 팀 및 전문 기술을 감안할 때 우리가 어떻게 그 새로운 꿈을 실현할 수 있는지 묻습니다 멜라니 워릭 : 당신은이 전문 지식을 가지고 있습니다 수학적, 이론적 측면에서 이제이 하드웨어로 번역 할 수있게되었습니다 세계의 적용 측면

두 사람과 결혼 할 수 있다는 것은 꽤 환상적입니다 ANIMA ANANDKUMAR : 물론, 엔비디아는 나에게, 그렇게 할 수있는 가장 좋은 장소입니다 멜라니 워릭 : 훌륭합니다 제가 기어를 바꾸어서 이야기하겠습니다 인공 지능과 기계 학습 공간에서 네가 학문 분야에 분명히 있었음을 나는 안다

몇 년 동안, 그리고 공간이 잘 알려져있다 꽤 확립 된 일부 컨퍼런스 학자들이 연구를 공유 할 수있게하기 위해, 지식을 공유 할 수 있습니다 핵심적인 것들로 돋보이는 것들이 있습니다 그 (것)들의 톤이 있지만 사람들이 다양한 전문 분야로 모일 수있게 해줍니다 그 회의들에 관해 우리에게 조금 이야기 해 주시겠습니까? 왜 그들은이 분야에서 그렇게 중요합니까? ANIMA ANANDKUMAR : 참으로 몇 년 전에 돌아왔다

음, 깊은 학습 혁명이 일어 났을 때 돌아 간다 그런 일이 일어나지 않았다면,이 작은 학구적 인 사람들이었습니다 컨퍼런스 예를 들어, 700 또는 800을 갖는 것은 큰 숫자 였고, 대부분은 작은 워크샵이었습니다 그것이 정보를 보급하는 유일한 방법이었습니다

너는 실제로 그 사람과 이야기를 나눌거야 논문의 완전한 이해를 얻으십시오 포스터 세션 도중 이 깊은 대화를 나누십시오 그리고 저는이 분야에서 박사 학위를 시작하지 않았기 때문에, 나는 일을 배우기 위해 박사 학위를 마칠 때까지 움직였다 내가 사용하고 있던 도구가 기계 학습 문제를 해결하는 것과 매우 관련이있다

나는 그 지역 사회를 매우 환영한다고 생각했다 NIPS에 논문을 제출했는데 지금, NeurIPS에서 부름받은 것 – ICML 및 기타 회의에서 즉시 느꼈습니다 깊은 검토가 있었기 때문에 환영 받았다 아주 깊은 기술 토론 페이지가있었습니다 검토 과정에서 커뮤니티가 작았습니다

그것은 잘 짜여졌 고 우리는 많은 진전을 이루었습니다 지적 협약의 관점에서 회의에서 멜라니 워릭 : 그런 것들은 진화했습니다 신경망이 기계 학습처럼 보류하고 있기 때문입니다 나는이 회의들을 보았고 당신이 말했듯이 NIPS는 – 지금은 NeurIPS입니다 나는 그게 몇 백 명 밖에 안된 것 같아

그게 뭐니? 오래 전에 8,000 이었어 나는 그것이 올해 무엇인지 확신하지 못합니다 ANIMA ANANDKUMAR : 그것은 ~ 할 것입니다 내 말은, 제한이 없다면 훨씬 더 많을 수 있습니다 아마

아마 ANIMA ANANDKUMAR : [INAUDIBLE] 멜라니 워릭 : 그래서 이유의 일부입니다 왜 내가이 팟 캐스트를 설정했는지는 내가 우리를 원했기 때문이었다 특히 NIPS에 뛰어 들기 위해 신경 정보 프로세싱 시스템 컨퍼런스

밖에있는 사람들, 특히 학계에있는 사람들은, 그 논쟁에 대해 들었을지도 모른다 올해는 특히 뛰었습니다 이름 바꾸기의 측면에서 나는 우리가 단지 두문자어를 말하는 것으로 들린다 고 생각한다 이 회의에 관해 들어 본 적이없는 사람들은 그것이 합리적 일 수 있습니다

그러나 불행히도, 그것은 많은 저항을 받았다 그 얘기 좀 할 수 있니, 명명 변경이 일어난 이유에 대해 왜 이것이 문제였습니까? ANIMA ANANDKUMAR : 커뮤니티에 참여 중입니다 내가 말했듯이, 깊은 학습 혁명 이전에, 그때 작고 잘 짜여진 공동체였습니다 그리고 그 이름은 잠시 동안 생각합니다 하지만 회의에 참석하면 당신은이 친절한 토론을 가지고 있습니다

당신은 놀라운 경험을했습니다 그러면 그것은 주요 초점이 아닙니다 저는 회의의 전통을 매우 자랑스럽게 생각합니다 산란했다 실제로, 회의는 Caltech에서 시작되었습니다

여기 칼텍에 설립되었습니다 많은 사람들이 그것을 알고 있지 않습니다 멜라니 워릭 : 아닙니다 ANIMA ANANDKUMAR : 그리고 나는 극도로 그 전통을 자랑스럽게 생각합니다 그리고 그것은 교수 Yaser Mostafa와 Ed Posner에 의해 시작되었습니다

이리 그리고 사실, 그것은 앞으로의 사고였습니다 결혼하는 신경 과학의 관점에서 함께 기계 학습 그래서 신경이 있고 처리가되는 것입니다 멜라니 워릭 : 네

ANIMA ANANDKUMAR : 그것이 회의의 목표였습니다 하지만 커뮤니티가 폭발하기 시작하면 깊은 학습 이륙, 위대하다, 그러나 부작용은 이러한 회의가 성장했다는 것입니다 비율의 우리가 어떻게 입장을 가능하게하는지에 대한 많은 논란이 있습니다 이 사건들에 그리고 이것은 선착순입니다

나는 많은 문제가있다 따라서 인구 유입을 관리하는 방법에 관한 한 가지 문제가 있습니다 컨퍼런스 다른 하나는 행동입니다, 그렇죠? 커뮤니티에 새로 온 많은 사람들이있을 때, 많은 사람들이 관심을 찾고 있습니다 그리고 그들을 위해, 그것은 이런 종류의 빠른 관심입니다

그들은 재능을 고용해야하기 때문에 그래서이 헤지 펀드를 가진 사람은 아무도 없어요 티셔츠에 대해 들어 본 적이있다 "내 NIPS는 [부끄럽지 않다]" 그게 내가 처음 본 것 같아

그 이름은 그런 식으로 사용됩니다 와일리 ANIMA ANANDKUMAR : 그리고이 헤지 이벤트 기간 동안이 티셔츠를주는 기금이야, 그렇지? 그리고 그들은 그들의 평판을 얻었습니다 그들은 사람들에게주의를 기울 이도록했습니다 그래서 나는 왜 그들이 그것을 할 인센티브를 가지고 있는지 알 수 있습니다

그리고 그것은 증가하기 시작했습니다 그래서 저에게 그것은 형제 문화의 주입입니다 사람들이 골드 러쉬처럼 느껴지면 시간이 표시되었습니다 그리고 다시 많은 사람들이있다 빠른 돈 벌기 위해 들어가고 싶은 사람 또는 어떻게 든 빨리 이익을 얻는 것입니다

그리고 저에게, 그것은 학문적 인 직물을 정말로 파괴했습니다 그리고 회의의 지적 추구 그리고 어떤면에서 우리 모두는 그 변화에 여전히 씨름하고 있습니다 권리? 어떻게 처리할까요? 어떻게 관리할까요? 어떻게 전문성을 유지합니까? 우리는 진정으로 공동체가 성장하기를 바랍니다 우리는 실제로 AI의 민주화를 원합니다

우리는 훨씬 더 많은 인구에게 다가 가고 싶었습니다 우리는 그들이 AI 문제에 대해 생각하기를 바랍니다 그러나 우리는 어떻게하면 그것을 유지하면서 어떻게 할 수 있습니까? 지적 교류와 아직도 전문성 유지? 그래서 나에게이 이슈들은 이름에 달려있다 그리고 그 이름이 여자를 괴롭히는 데 사용 된 방법, 여성의 신체 부위에 대해 이야기하고, 문화적 변화가 반영된 것입니다 AI 커뮤니티에 들어 왔습니다

멜라니 워릭 : 왜 생각하니? 이 회의들이 너무 커 졌어 사람들이 전에 비해 대단히 중요합니다 ANIMA ANANDKUMAR : 이제 금메달이되었습니다 맞죠? 그것은 정말로 서두름입니다 골드 러시가? ANIMA ANANDKUMAR : 재능을 채용하는 측면에서, 연구원을 고용했다

그래서 회사들은 많은 일을했습니다 AI를 현실 세계로 가져 오는 놀라운 것들이 많이 있습니다 그러나 어떻게해야 하는가에 대한 도전도있다 우리는 여전히 지적 추구를 유지하고 있는가? 지적 교환을위한 길을 가지며, 채용 측면과는 구분된다 모집하고, 그렇지? 그리고 나는 많은 다른 분야가 이 큰 대회들을 아주 잘 지내라

매우 잘 정립 된 프로토콜이있을 수 있습니다 그러나 우리는이 성장을 매우 빠르게 보았습니다 그리고 나는이 기계 학습의 이사회가 회의가 적응할 수 없었습니다 아이디어가 새로 유입 될 필요가 있다고 생각하기 때문에 그곳에 그 말이 이치에 맞습니다

이제 우리는 올해, 특히 올해 컨퍼런스 한 걸음 뒤로 물러서서 그 이름을 평가했다 그들이 평가에 도움이되었던 것을 아십니까? 이름을 바꾸는 것을 고려해보십시오 ANIMA ANANDKUMAR : 작년에 내가 말하는 것처럼 나에게, 그것이 전부 끝내었던 곳이 친절한 곳과 같았다 몇 년 전처럼 깊은 학습 혁명이 시작되었습니다 우리는이 새로운 사람들과 거대한 사람들이 다가오는 것을 보았습니다

회의와 성격에 회의의 변화 그리고 많은 기업 파티와 이벤트가있었습니다 및 기타 외부 사건으로 거의 중앙 매력 주요 회의에 그리고 그 사람들이 번식하기 시작할 때, 행동 규범은 없었습니다 설립 된 기준이 없습니다

그래서주의를 끌기 위해 사람들은 다시 규범을 벗어난 일을하고 있었다 전문적인 행동 대부분의 연구자들이 가지고있는 주요 목표는, 특히 많은 여성 연구자들이 가지고 있습니다 지적 사물에 대해 이야기하는 것입니다 실제 기계 학습 연구에 대해 이야기하기 신체 부위를 놀리는 것에 대해 걱정하지 않아도됩니다

멜라니 워릭 : 동의했다 그리고 나는이 파티 밖에 들었다 출시 및 게시 된 몇 가지 추가 콘텐츠 사람들이 경험 한 다양한 괴롭힘 주위에 이 컨퍼런스 및 기타 컨퍼런스에서, 나는 또한 3 월에 공개 서한이 있다는 것을 읽을 것입니다 존스 홉킨스 대학에서 그 교수진이 이사회에 구체적으로 묻고 있었다 이름을 바꾸려면

그것은 내가 만났던 무엇인가이었다 이 모든 것에 참여한 또 다른 구성 요소입니다 ANIMA ANANDKUMAR : 물론입니다 Elana Fertig 교수님이 저와 연락하셨습니다 그녀는 존스 홉킨스 (Johns Hopkins)의 모든 노력에 대해 이야기하고있었습니다 그리고 그때 나는이 문제에 더 많이 얽매이기 시작했습니다

좋았어 ANIMA ANANDKUMAR : 저는 그것에 귀찮았습니다 그러나 나는 그것이 심지어 젊은 여성을 많이 괴롭혔다는 것을 깨달았다 내가 느낄 수있는 것보다 더 낫지, 그렇지? 그리고 나에게, 이것은 어떤 각도에서오고있다 개인적으로 나에게 많은 영향을주는 것이 아닙니다

나는 그것에 대해 화가났다 하지만 다른 사람들에게는 그 이상이었습니다 맞습니까? 그들은 사건에서 환영받지 못하는듯한 느낌을 받았습니다 심지어는 AI 연구원이되기도합니다 그리고 그것은 나에게는 격변 적입니다

멜라니 워릭 : 동의했다 그래서 이사회는 올해 설문 조사를했는데, 그들은 결과와 함께 나왔다 그리고 그것은 그들이 말한 몇 달 전과 같았습니다 너도 알다시피, 우리는 변화를 만들지 않을거야 그리고 그들은이 통계 분석을했습니다

왜 그들이 변화를 만들지 않을지에 관해서 그래서 당신은 그것에 반응했습니다 그 점에 대해 조금 이야기 할 수 있습니까? 결과를 본 후에 어떤 조치를 취 했습니까? ANIMA ANANDKUMAR : 제 말은, 제가 제일 먼저, 모두에게 묻는 설문 조사가 방해 받았다 이름 변경이 있어야합니다 멜라니 워릭 : 네

ANIMA ANANDKUMAR : 나에게 그것은 이미 트위터에 문제가있는 출발점이 있기 때문에, 내가 공개적으로 이름 변경을 지원했을 때, 다른 여성들이하고 있었고 이미 조업의 행동 남자들이 저에게 편지를 쓰면서 말했습니다, 오, 남녀 모두 젖꼭지가 있습니다 큰일이 뭐야? 그들은 이해조차하지 않습니다 이미 문제가 있습니다 멜라니 워릭 : 네

ANIMA ANANDKUMAR : 설문 조사는 이미 사람들이 건강에 좋지 않은 방식으로 토론 할 수있는 길, 이는 대다수에게 영향을 미치지 않는 문제이기 때문입니다 대다수의 남성, 특히 고위 남성은 그것에 대해 걱정할 필요가 없었습니다 그것은 그들이 가진 특권입니다 그리고 그들은 재미 있다고 느낄지도 모릅니다 그들은 잠깐 웃을지도 모른다

하지만 그게 끝이야 그게 유일한 효과입니다 그러나 특히 주니어 여성의 경우, 점점 더 나는 그들이 어떻게 너무 반갑고 부정적인 느낌 그리고 그것은 다른 모든 것, 당사자들, 형제 문화, 공격성 어떤 사람들은 다른 목소리 대 그들의 연구를 밀어 붙입니다 익사하고있다

그래서 나에게이 모든 것을 반영해라 이름 변경 토론과 함께 논쟁 중이었습니다 대다수가 그들에게 부정적인 영향을 미치지 않는 문제에 대한 결정 그리고 다른 한편으로, 나에게 이름이 바뀐다 그렇게 간단합니다

결국 우리가 보았 듯이 그리 어렵지 않습니다 문자 그대로 웹 사이트에서 이동하고 변경합니다 그리고 소셜 미디어에 멜라니 워릭 : 네 ANIMA ANANDKUMAR : 비용은 들지 않습니다

그리고 사람들은 논쟁하고 있습니다 오, 그것은 상징적입니다 그러나 우리는 적어도 상징적 인 것으로 시작하지 않을까요? 거기서 시작합시다 이것은 끝점이되어서는 안됩니다 그러나 거기서 시작하면 메시지를 보냅니다

모든 청녀에게 메시지를 보냅니다 그들의 목소리가 들리고, 그들의 우려가 들린다 그리고 우리는 그들을 만들기 위해 무엇이든 할 것입니다 더 편안하고 환영합니다 그리고이 모든 형제들에게도 메시지를 보냅니다

그 이름을 놀리며 실제로 파괴하고있는 회의의 전문성 이것은 가볍게 받아 들여지지 않을 것입니다 그리고 시간이 지남에 따라 우리는 강력한 행동 규범을 가질 수 있습니다 실제로이 행동에 대해 책임을 질 것입니다 그리고 이것이 이것이 제가 취할 수있는 길입니다 그러나 이것은 이름이 바뀌는 곳, 결정의 방식입니다

조사가 설계된 방식, 또한 편향된 샘플이었습니다 설문 조사에 응하도록 요청 받았다 멜라니 워릭 : 네 ANIMA ANANDKUMAR : 그래서 모든 참석자들이었습니다 나는 지난 5 년 동안 믿습니다

그러나 참석할 수없는 많은 여성들은 어떨까요? 다시 액세스 문제로 돌아갑니다 이 컨퍼런스에 선착순 인 경우, 이것을 Burning Man과 비교한다면, 이 티켓을 판매중인 티켓과 비교한다면 젊은 여성에 대해 생각해보십시오 우선, 회의에 가고 싶다면 너무 자신감이 없어야합니다 또는 여행 지원을받는 데 어려움이있는 경우

주니어 포지션의 남성과 여성 모두 누가 그것에 대해 생각하고 있지만 관리하지 않았다 그들은 가장 많은 것을 잃을 사람들이 될 것입니다 멜라니 워릭 : 네 ANIMA ANANDKUMAR : 그리고 학계, 그들은 동일한 자원을 가질 수 없기 때문에 그들이 업계에서 가지고있는 것 그래서 이것은 매우 편향된 샘플이었습니다

설문 조사에 응한 남녀의 비율 그리고 내 견해는 그들에게 영향을 미치지 않고 있다는 것입니다 더 많은 사람들에게 영향을주고있었습니다 커뮤니티에 들어가려고합니다 더 많은 중학교 학생들은 훨씬 더 많습니다

고령자보다 좋지 않은 영향을 받는다 지역 사회에 설립되었습니다 멜라니 워릭 : 나는 아직 내가 회의에 대해 들어 본 적이없는 사람을 만날 수있다 그 전에, 당신이 그들에게 그 이름을 말할 때, 그들은 즉시 그것이라고 생각하지 않는다 부적절한 두문자어

그러나 결과가 주어질 때, 당신은 청원을 시작하여 응답했습니다 너는 protestNIPS 해시 태그로 시작했다 changeorg에 탄원서를 만들었습니다 ANIMA ANANDKUMAR : 나는 파티에 정말 늦었다 고 인정해야한다

행해진 많은 노력이있었습니다 풀뿌리 수준에서 말하고있는 많은 여성들 트위터에서 그리고 제가 말했듯이, 존스 홉킨스 대학 (Johns Hopkins University)의 Dr Elana Fertig와 다른 많은 사람들은 Title IX와 협력했습니다 사무실에,이 서신을 초안, 이 모든 연구원들이 이것을 서명하도록했습니다

그래서 그들은 처음부터 많은 기초를 다졌습니다 그리고 내가 들어올 때 나는 생각하고 있었다 이걸 더 넓게 가져 가자, 그렇지? 그냥 기계가 아닌 열어 보자 트위터의 모든 사람들을 배우십시오 일반 인구가 이 두문자어가 진짜라는 것을 알기 위해 너무 충격을 받습니까? 그리고 그 곳에서 샘플을 디 바이어스하려고했습니다

왜냐하면 이미 사람들이 지역 사회에 있었고이 이름을 사용한다 당연한 일이지만, 실제 문제가있는 신선한 목소리 그리고 나는 이사회가주의를받는 것을보고 정말로 싶었습니다 그래서 본질적으로 존스 홉킨스 (Johns Hopkins) 도달하기 위해 changeorg에 올려 놓으십시오

더 넓은 커뮤니티에 멜라니 워릭 : 훌륭합니다 그렇다면이 탄원서 이후에 무슨 일이 일어 났습니까? 당신은 이미 사람들이 어떻게 반란을 일으켰는지 이야기했습니다 이름의 변화에 ​​반대하지만 어떤 반응 공개적으로 말하기 시작했을 때 얻었습니까? 이것에 대해서? ANIMA ANANDKUMAR : 나는 너무 행복하다는 많은지지를 얻었습니다 나는 그 방법을 매우 성취하는 것을 발견합니다

지역 사회가 나 뒤에 와서 많은 남성과 여성 retweeting Jeff Dean은 즉시 retweeted, 그는 회사가 책임을지기를 원한다 이 이름 변경을 뒷받침하는 거지? 그래서 저에게 그것은 정말로 목소리를 증폭 시켰습니다 그래서 놀라운 연구원이 많이있었습니다 누가 이것을 증폭시키는 데 정말로 도움이 되었습니까

멜라니 워릭 : 좋습니다 ANIMA ANANDKUMAR : 그게 대다수 였지, 그렇지? 그래서 대다수가 훌륭하고 착한 사람들입니다 그리고 작은 부분이있었습니다 누가 진실로 질문했다 그리고 그들은 정말로 혼란 스러웠습니다

대다수는 원어민이 아니 었습니다 그들은 종류가 짧은 형태를 알지 못했다 또는 그들은 진짜로 이것을 즉시 얻지 못했습니다 그래서 내가 Google 이미지를 넣었습니다 심지어 그것으로 시작하는 검색

멜라니 워릭 : 큰 영향입니다 비주얼은 이러한 것들을 위해 훌륭합니다 ANIMA ANANDKUMAR : 더 작은 섹션 공개적으로 말하고있는 사람들의 그들은 그들의 진정한 정체성과 이야기했다 그러나 진짜 질문이 있었다 그들 중 대부분이 돌아왔다

나는 그들 대부분이 적어도 깨달았다 고 말할 것이다 예, 영향을받지 않았을 수도 있습니다 괜찮습니다 그러나 그것은 많은 다른 사람들에게 영향을 미쳤습니다 그래서 그들은이 모든 목소리를 보았습니다

그 (것)들이 역으로 영향 받았다고 말하고 있었다 그리고 나서 그들은 그들이 이것을지지 할 필요가 있음을 깨달았습니다 그리고 저에게 그것은 최고의 부분이었습니다 이 중립적이거나 온건 한 사람이 몇 명이나되는지 직위, 누가 영향을 미치는 문제를 잘 모르고있다 소수 민족? 하지만 우리가 이것을 공개 우리가 정말로 할 수있는 대화가 있습니다

이 정보 교환을 얻고 공감을 높일 수 있습니다 그리고 그것은 그것의 가장 성취 한 부분이었습니다 그러나 부정적인 면도있었습니다 많은 가려 눕기가있었습니다 놀랄 일이 아닙니다

그것 모두는 익명이었다 그리고 Reddit 스레드가있었습니다 그게 개인적으로 내게 욕을 먹었어 이렇게 많은 어이없는 불쾌한 방식으로 지금 차단해야하는 많은 계정이 있습니다 나는 그들을 제거하기 위해 Reddit을 계속 밀고 나가야 만했다

그리고 그것은 광대 한 것들을 가져 왔고 여전히 거기에있었습니다 아직 거기에있는 일부입니다 그래서 이것은 목소리를 가진 사람이 포괄 성 또는 다양성 추구 소셜 미디어를 많이 사용합니다 그리고 우리는 어떻게 이 싫은 말을 피하십시오 그리고 저에게 저것은 진짜로 교란하고 있습니다 너무 많은 여성들이 말을 못하게하기 때문입니다

멜라니 워릭 : 사실이에요 나는 묻는 것을 주저하지만, 부분적으로 묻고 싶다 너를위한 조업은 얼마나 나빴 니? 얼마나 나쁜지 얘기 좀하고 싶니? ANIMA ANANDKUMAR : 물론입니다 그리고 내 트위터 스레드에서, 나는 그 스크린 샷 중 일부를 게시 했어 왜냐하면 사람들이 그것이 얼마나 나쁜지를 알기를 원했기 때문입니다

그들이 아무 것도 보지 못했기 때문에 많은 사람들이 충격을 받았습니다 그런 일이 그들에게 일어난다 그들은 결코 개인적으로 피해를 입지 않았습니다 그러한 종류의 괴롭힘과 조업에 내 외모에 대해 언급하고 있었다

내 전문성에 대해 논평했다 방금 내가이 자리에 올랐다는 말을했다 나는 여자이기 때문에 어떻게 할 수 있습니까? 나를 도왔던 모든 사람들에게 감사하지 마십시오 이 모든 것이 었습니다 그들은 나를 급진주의 여성 주의자라고 불렀습니다

그리고 나는 Reddit에 갔던 또 다른 여자를 안다 이 트롤에 대답하려고했습니다 그녀는 왕따를 당했다 그녀는 육체적으로 총으로 위협 받았다 그리고 이것은 공인 인 교수입니다

그리고 나서 당신은 정말로 얼마나 위험한 지 궁금해하기 시작합니다 모두 얻을 수 있습니다 그리고 나서 최악의 일은 단지 내가받은 개인 거물 그러나 다른 젊은 여성들이이 모든 과정을 통해 어떻게 괴롭 혔는지를 보여줍니다 그리고 저는 많은 젊은 여성들로부터 이메일을 받았습니다 또한 청년들 – 그들이 다른 사람들과 토론 할 때, 내가 방금 트롤링 중이라는 것을 알았습니다

나는 일종의 내려다 보였다 그리고 때로는 고문들이 학생들에게 말할 것입니다 탄원서에 공개적으로 서명하지 않기 심지어이 목소리를 빌려주지 않을 그들이 원했을지라도 그래서 당신은 말할 수 있습니다, 오, 이것은 무해한 이름 변경입니다 그러나이 괴롭힘과 괴롭힘의 언더 블 리를 열었습니다

멜라니 워릭 : 사악 해 ANIMA ANANDKUMAR : 네 그게 너무 많아요 그 말은 악의입니다 너무 간단하고 쉽게 할 수 있다면, 그렇다면 사람들은 왜 그렇게 악의적으로 행동하고 있습니까? 끔찍한 짓이야

그리고 정말로 적절한 단어가 없습니다 하지만 지금 당장 내 머릿속에있는 뭔가가 내가 말할 필요가있다 고마워요 변화를 위해 싸워 주셔서 감사합니다 그 일을 한 다른 사람들 외에, 에너지를 퍼 부어 주셔서 감사합니다

이것은 당신의 직업이 아니기 때문입니다 이것은 당신의 직업이 아닙니다 그것은 누구의 직업도되어서는 안됩니다 그리고 현장에서 계속 리더가되어 주셔서 감사합니다 사물 때문에 떠날 수 없다

네가 본 경험이있다 고마워 ANIMA ANANDKUMAR : 고마워요, 멜라니 목소리를 증폭 해 주셔서 감사합니다 모든 지원에 감사드립니다

이 모든 것이 전개 될 때, 당신은 나에게 메시지를 보내고있었습니다 당신은 그처럼 훌륭한 원천이었습니다 그리고 그것이 내가이 모든 놀라운 동맹국들을 찾은 곳입니다 우리는 그런 식으로 강해졌고 다음에 알게되었습니다 사람들이 누구인지, 더 의미있는 변화를 일으킬 수 있습니다

이제는 내 지역 사회를 알고 있습니다 이제 저는 동맹국을 압니다 그리고 그것은 매우 중요합니다 그리고 네, 여기 머물러 있고, 잡동사니 또는 다른 방법으로 여기 있습니다 멜라니 워릭 : 좋습니다

ANIMA ANANDKUMAR : 그건 안할거야 그게 나를 더 강하게 만들거야 그리고 그건 단지 당신이 알다시피, 조업 일수는 번호가 매겨집니다 나는 정말로 큰 변화를보고 싶다 나는 모든 것을하고 싶다 나는 조업을 제한 할뿐만 아니라, 커뮤니티에서 이러한 모든 종류의 나쁜 행동을 제한하는 것입니다 그리고 더 넓은 공간에서

멜라니 워릭 : 동의했다 다시 전이하면 청원서를 받았고, 청원과 당신이 가진 모든 일들 사이에서 당신이받은지지와 도움이되었습니다 이사회가 재고 한 것처럼 보입니다 최근 회의가 있기 전에, 그들은 변화를 발표했다 그리고 그 변화는 다소 타협입니다

전체 이름을 변경하는 대신, 그들은 지금 변화하고 있습니다 당신도 알다시피, 그들은 신경 정보 처리 시스템, 두문자어는 NeurIPS가 될 것입니다 그래서 등자물 같지만 정확하게는 아닙니다 ANIMA ANANDKUMAR : 그건 그림이 아니야 나는 내 마음 속에서 싶다

그러나 – 멜라니 워릭 : 저게 뭐야? ANIMA ANANDKUMAR : 나는 그림을 원하지 않는다고 말했다 내 마음 속의 등딱지들 멜라니 워릭 : 알아 내 머리 속으로 계속 들어가는 그 말이야 사람들이 새로운 두문자어를 말할 때마다

ANIMA ANANDKUMAR : 아마도 [? 순무?] 멜라니 워릭 : 네 그래서 새로운 이름에 대해 어떻게 생각하세요? ANIMA ANANDKUMAR : 나는 새로운 이름이 좋은 타협이라고 생각한다 나는 깨끗한 슬레이트로 시작하는 것을 좋아했을 것이다 그게 더 힘들지 않았기 때문입니다 하지만 우리가이 시점에 도달하게되어 기쁩니다

그리고 제가 말했듯이 그것은 그 이름에 관한 것보다 훨씬 큽니다 열리는 모든 힘입니다 우리가이 이름의 변화를 토론 할 때 그것이 우리가 훨씬 더 많이 작업 할 필요가있는 것입니다 그래서 저는 다음 단계로 넘어 가고 싶습니다

나는 훨씬 더 영향력있는 코드를보고 싶다 행동의 현재는 놀랍습니다 그것은 짧은 시간에 이루어졌습니다 Hal Daumé와 Katherine Heller는 놀라운 일을했습니다 함께

하지만 이제 나는 물어보고 싶은데, 그 반향은 무엇인가? 누군가 만난다면? 진정한 반향이 있어야합니다 그때 만 이빨을 가져야합니다 그래서 이것들은 우리가 스스로에게 물어볼 필요가있는 것들입니다 다음 단계로 멜라니 워릭 : 뭔가 있니? 그 사람들에게 권하고 싶습니다 현장에서 포괄 성을 향상시키는 데 도움이 될 수 있습니까? ANIMA ANANDKUMAR : 전문적인 상호 작용 당신이 사람들과 이야기하는 경우에 매우주의해야합니다

누가 너보다 후배 지 심지어 생각조차하지 않는 행동조차도 그들에게 큰 영향을 줄 수 있습니다 그리고 더 잘 의사 소통하십시오 사람들이 편안하다고 느끼는 지 확인하십시오 네가 그들과 이야기 할 때

그래서 나는 그 기초부터 시작할 것입니다 나는 Jeff Dean이 놀라운 Twitter 스레드를 가지고 있다고 생각한다 그는 여성 연구원의 경험을 크라우드 소싱했다 그들이 가진 회의와 부정적인 경험 그리고 나서 그는 말했다, 오, 당신이해서는 안되는 것들이 있습니다

예를 들어, 제가 처음 만난 컨퍼런스에서, 내 고문은 훌륭합니다 그는 나를 다른 고위 남성 연구원에게 소개했다 교수 그리고 그는 나를두고 나에게 소개해주었습니다 그는 다른 누군가와 이야기해야했다

그는 떠났고, 그는 더 나아 갔다 이 대화를 장악하십시오 그 교수가 나에게 말했다 오, 너를 소개시켜 줄게 내 여자 대학원생에게

둘 다 여자이기 때문에, 당신은 그녀와 더 잘 지낼 것입니다 제 말은, 저처럼, 저기요 당신도 알다시피, 나는 시작 연구원이다

나는이 노인과 정말로 이야기하고 싶다 내가 바라 보았다 그리고 이것은 단지 – 그에게는 너무 자연스러워 보였지만 내게는 그렇게 나쁜 영향을 미쳤다 그리고 여성들이이 모든 것을 표현하는 것이 중요합니다 그 (것)들을 불편하게하고, 환영받지 못하고, 남자들이주의를 기울일 생각을하고, 그리고 나서 이것을 더 넓게 열어 라

다른 다양성 그룹에게 나는 AI에서 흑인이 다양성에 대한 놀라운 노력을 보았다는 것을 안다 내 말은, 우리는 연구원이오고 아무도 참석하지 않은 국가의 전에이 회의들 저에게는 그곳에서해야 할 일이 너무 많다는 것을 보여줍니다 그러나 그들은 또한 무거운 짐마차를 받았다

많은 쟁점을 겪고있다 그래서 나, 예, 우리는 지금 여자들부터 시작합니다 내가 그 경험을 비춰 줄 수 있기 때문이다 나는 그들을 이해한다 그러나 그것이 다른 그룹들에게 어떻게 영향을 미치는지 이해하고 싶습니다

다른 사람들이하는 이슈는 무엇입니까? 나는 결코 가질 수 없을지도 모르는가? 나에게는 나만의 특권이 있지만 다른 사람들에게는 특권이있다 서로 다른 배경에서 왔고 더 많은 문제에 직면 해 있습니다 모든 사람들의 문제를 어떻게 해결할 수 있습니까? 멜라니 워릭 : 나는 그것이 중요한 점이라고 생각한다 그리고 우리는 일주일에이 팟 캐스트를 공개합니다 회의가 있기 전에 NeurIPS 회의

그리고 당신이 언급 한 것처럼, 인공 지능과 LatinX 및 WIML에서 Black을 좋아합니다 이제 그 이름이 바뀌었고, 타협이 있었는데, 무엇이 당신은 회의의 관점에서 기대하고 있습니까? 당신이 흥분하는 분야는 무엇입니까? 당신이 생각하기에 좋다고 생각하는 것, 계속되고있는 그 다양성 노력의 바깥쪽에 이 분야에 더 많은 연구원을 끌어들이는 데 도움이 될까요? ANIMA ANANDKUMAR : 물론입니다 나에게이 컨퍼런스에 참석하기 항상 새로운 혁신에 관한 것입니다 새로운 기술 혁신과 마찬가지로 젊은 연구원처럼 젊은 사람들이하는 일은 너무나 많습니다

우리가 어떻게 그들을 양육하고 격려 할 수 있겠는가? 그들이 처음으로 컨퍼런스에 참석하는 경우 또는 논문을 발표 할 때 어떻게해야합니까? 그것을 다음 단계로 가져 가라, 내가 그들과 어떻게 대화 할 수 있는지 더 넓은 모든 그림에? 이것이 내가이 회의를 최대한 활용할 수있는 곳입니다 그리고 워크샵에서 더 많은 교환 그것이 훨씬 더 유기적이기 때문에 일어날 수 있습니다 방금 시작했거나 더 많은 일을했습니다 예비 단계에서, 그렇지? 브레인 스토밍을 할 수있는 여지는 훨씬 많습니다 피드백을 받기 위해, 피드백을 받기 위해

과거에는 많은 결과를 얻었습니다 회의 도중 나는 앉아서 사람들과 브레인 스토밍을하고, 새로운 아이디어를 생각해 내십시오 그리고 이제는 커뮤니티가 규모가 커짐에 따라 더 어려워졌습니다 그러나 나는 아직도 이것을 추구하고 싶다

그리고 이것은 우리가 군중을 통제 할 필요가있는 곳입니다 우리는 이것을보다 관리하기 쉬운 방법을 찾아야합니다 사실, 나는 이것을 WIML이나 Black에서 더 많이하는 경향이있다 왜냐하면 그것들은 더 작은 사건이기 때문입니다 나는 개인적인 수준에서 대화하고 아이디어를 교환 할 수 있습니다

멜라니 워릭 : 훌륭합니다 마지막으로 두 가지 질문 중 하나가 있습니다 인터뷰 많이 했어 아무도 당신에게 누군가를 원한다고 묻지 않는 질문들 물어볼 것인가? ANIMA ANANDKUMAR : 사람들이 물었습니다

업계 대 학계에 관한 나에게 많은 왜냐하면 나는 양쪽에있어 그리고 저는 그들 각각의 선과 악을 봅니다 그래서 대부분의 질문은 일반적으로 업계가 어떻게 도망 치고 있는지 학문적 재능 어떻게 피할 수 있습니까? 그리고 내가 항상 말하기를, 저기 봐 많은 긍정적 인 영향을 미친다 왜냐하면 많은 교수들이 나처럼 두 산업 간의 시간을 나누고있다

학계와 학계가이 양도에 정말로 도움이됩니다 학계에서 산업계에 이르기까지 다양한 정보를 얻을 수 있습니다 아무도 내게 전에 물어 본 적이없는 질문입니다 산업이 어떻게 학계에 긍정적 인 영향을 미치는지, 아직 실현되지 않은 것은 무엇입니까 [INAUDIBLE] ?? 또한 많은 좌절감이 있기 때문에 나와 현재 학문적 인 연구원들에게 체계 그리고 저에게 그것은 연구 방법입니다

출판에 많은 관심을 가지고 있습니다 또한 소프트웨어 프레임 워크를 만드는 데 거의 집중하지 않았으며, 사람들이 실제로 할 수있는 커뮤니티 노력을 창출합니다 생태계를 구축하고 모듈 형 소프트웨어에 대해 생각해보십시오 다른 사람들에게 도움이 될 것입니다 일부 연구, 자신의 코드를 완료 그들은이 논문을 쓰고 이것을 출판하고 있습니다

그리고 저에게 업계는이 게임을 변화 시켰습니다 이러한 영향은 오픈 소스를 통해 발생하기 때문에 프레임 워크, 커뮤니티에서 사용하고 있습니다 그리고 이것에 공헌해라 그래서 제가 진정으로 바라는 것, 제가 추구하는 것은, 우리는 과학의 다른 분야에서 어떻게 이것을 할 수 있습니까? 문제는 다른 기본 과학에서, 지금이 일을하는 산업은 없습니다 어떤 산업도 이것에 대한 연구를하지 않습니다

그렇다면이 분야의 다른 점은 무엇입니까? 산업에 의해 방해받지 않는가? 나는 혼란과 혼란을보고 싶다 인센티브가 어떤 의미인지 더 나은 방법으로 정렬 이러한 장벽을 어떻게 제거 할 수 있을까요? 그것은 대부분 사회 학적입니다 이 아주 오래된 레거시 코드가 일부 고 에너지 물리학에서 사용되었습니다 무슨 일이 일어나고 있는지 이해합니다

오늘도 여전히 사용되고 있습니다 우리가 수십억 달러를 가지고있을 때에도 수행되는 실험의 실험적 부분 너무 많은 자원이 필요합니다 그리고 그 곳에서 보조금이 지원됩니다 그러나 계산 측면에서 궁극적으로 이러한 응용 프로그램에 AI를 사용하려면, 기본적인 장벽이 있습니다 그들은 사회 학적으로 보일 수도 있고 더 평범 할 수도 있습니다

그들은 수학적 장벽이 아닙니다 그러나 중요한 장벽입니다 그리고 나는 그것을 방해하는 방법에 대한 좋은 대답이 없습니다 MELANIE WARRICK : 좋은 질문입니다 너를 놓기 전에 내가 만지고 싶었던 다른 것? ANIMA ANANDKUMAR : 다시 한 번 감사드립니다, 멜라니

많은 질문을 던지 셨습니다 내가 감정을 표현할 수있는 곳 이 시위를 겪었을 때 NIPS 지역 사회와 소통하십시오 이 목소리를 증폭시켜 주셔서 정말 고맙습니다 대출 지원 정말 고마워

고마워 이 팟 캐스트를하는 것 멜라니 워릭 :와 주셔서 감사합니다 우리 이야기 정말 고마워, 아니마

OK, 그주의 질문 어떤 유형의 왕따 또는 조업을 다루는 경우 또는 당신은 이것에 대해 걱정하고 있습니다 네가 할 수있는 일이 있니? 글쎄, 나는 여기에 몇 가지 링크를 포함시켰다 너 체크 아웃 할 수있어 전자 프론티어의 훌륭한 정보가 있습니다

감시, 자기 방위, 팁 및 도구 재단 나는 그것을 한 번에 모두 읽는 것을 권하지 않는다 나는 거기에 들어가서 둘러보고 선택하라 그리고 말이되는 것을 선택하십시오 또한 Feminist Frequency가 제공 한 당신을 돕기위한 멋진 정보 온라인을보다 잘 보호 할 수있는 방법을 제공합니다

이것은 절대 안전한 과정이 아닙니다 이것은 완벽한 과정이 아닙니다 그러나 적어도 그것은 당신이 할 수있는 어떤 것입니다 특정 단계를 수행하는 데 관심이 있다면 수행하십시오 그리고 그들은 저 밖에있는 유일한 사람이 아닙니다

누가 콘텐츠를 제공했는지, 그래서 당신은 분명히 더 탐험하기 위해 검색을 해보십시오 좋아, 그럼 우리 모두 어디로 갈거야? 글쎄, 우리가 그것에 대해 말했듯이, 마크는 12 월에 KubeCon에서 열릴 예정입니다 그래서 당신이 거기에있을 예정이라면, KubeCon, Koob-Con, 그러나 당신이 그것을 선언하면, 당신은 가서 그에게 인사해야합니다 그리고 나서 이번 주에 실제로 SOCML에있게 될 것입니다 그리고 다음 주에 제가 말씀 드렸듯이, NeurIPS가 될 것입니다

몬트리올 (Montreal)에 가려면, 당신은 확실히 워크샵의 일부를 확인해야합니다 WIML은 12 월 3 일에, 블랙은 AI에있을 예정입니다 12 월 7 일에있을 예정이며 LatinX 12 월 8 일에있을 예정입니다 그래서 네가 거기 있다면,가 이 여러 커뮤니티를 확인하십시오

그들은 좋은 사람들, 특히 배우고 있습니다 AI 공간에서 이번 주 팟 캐스트에서 우리를위한 것입니다 우리와 함께 해줘서 고마워 다음 주에 너와 얘기 할거야

[음악 재생]

Kubeflow – Tools and Framework (Google Cloud AI Huddle)

[음악 재생] 오늘 발표자는 아비새입니다 Abhishek은 Kubeflow를 설계하는 엔지니어 팀을 관리합니다

플랫폼 및 임무 지원 확장 가능한 LM 모델을 만드는 Kubeflow 가능한 한 간단하게 제작에 적용 할 수 있습니다 그는 원래 Google 검색에서 일했습니다 크롤링 및 색인 생성 시스템에서 엔터프라이즈 ML 신생 기업에서 수년을 보냈다 그가 클라우드 AI 플랫폼으로 돌아 오기 전에 현재 Kubeflow에서 작업 중입니다 Abhishek, 그것을 가져 가라

ABHISHEK GUPTA : 좋습니다 고맙습니다 [INAUDIBLE]와 Shantru [박수 갈채] 환영합니다 사과 해 주셔서 감사합니다

약간의 지연이 있었지만 우리는 시작할 것입니다 그리고 나는 Shantru가 이미 청중과 의사 소통하는 방법을 모델로 알려주십시오 가능하다면 조금 대화식이되고 싶습니다 도중에 몇 가지 질문을 할 수 있습니다 승인

나는 첫 번째로 생각한다 우리 모두는 기계 학습에 관해서 이야기 할 때 아마 여기 있습니다 우리가 뭘하고 싶니? 마음에 떠오르는 것은 모델을 만들고 싶다는 것입니다 데이터 과학자는 몇 명입니까? 또는 데이터 과학자라고 생각합니까? 나는 거기에 하나를 본다 내가 예상했던 것보다 낮다

나는 더 많은 데이터 과학자라고 확신한다 다른 사람? 얼마나 많은 엔지니어가 엔지니어입니까? 누가 모델을 생산합니까? 승인 조금 더 큰 그룹 큰 고맙습니다

너는 모두 서로 다른 경험을 했어 그러나 이것 모두는 아마 이것을 직면했을 것입니다 당신은 당신이 모델을 만들 예정이며, 실제 작업을 시작하면, 음, 다른 것들이 많이 있습니다 당신은 심지어 할 수 있기 전에 주변에서해야합니다 TensorFlow에 손을 올려 놓거나 모델을 훈련시키는 무언가를 얻으십시오

당신은 데이터로 시작하고 당신은 알아 내야 만합니다 시스템에 데이터를 가져올 위치 데이터 분석, 데이터 변환, 검증 사실, 테스트 세트를 만들고 훈련 세트를 만든 다음 모델 교육, 모델 제작, 많은 실험 그런 다음 모델의 유효성을 검사하려고합니다 실제로 그것이 당신이 찾고있는 것을 않습니다

그 후에는 규모에 맞게 훈련하고 싶습니다 모델 제작 롤아웃 생산에 들어 가지 않으면, 나는 그것이 왜 [INAUDIBLE]인지 모르겠다 모형을 전혀 훈련시키지 않는 것 같습니다 가장 중요한 단계

그리고 실제로, 그것을 해결하고 아마도 그 주위의 응용 프로그램 물론, 결국, 당신은 모니터링 및 로깅 기능을 제공합니다 우주에서이 작업 흐름의 문제점은 무엇입니까? ML 스택이나 파이프 라인 설정은 엄청나게 어렵습니다 이 일을 해 준 사람은 누구나 생각합니다 나는 당신이 serialize를 시작할 때, 당신은 많은 도구를 설치해야합니다, 데스크톱, 워크 스테이션, 어디서든 작업 할 수 있습니다

당신은 많은 엔지니어링에 빠지게됩니다 그리고 설치가 필요한 곳에서는 [INAUDIBLE]을 연결된 것들, 함께 일하는 것들, 네트워킹을 알아내는 것들 그리고 나는 모릅니다 생산 엔지니어와 상담하십시오 프로덕션 환경에서이 작업을 수행하는 것은 더욱 어렵습니다 너는 조심해야한다

그곳에 이미 있습니다 모델을 잘못된 방식으로 생산한다면, 완전히 잘못된 예측을 내릴 수 있습니다 과학자가 의도 한 데이터에서 실제로 모델을 훈련시켰다 그리고 작동하는 ML 스택을 설정하십시오 다른 클라우드 또는 다른 배치 전반 매우 어렵습니다

사실, 나는 전혀 모른다면 어떻게 될지 모르겠다 현재 도구 세트로 가능합니다 그리고 오늘의 토론을위한 우리의 현재 목적을 위해, 우리는 당신의 데스크탑에 귀하의 로컬 노트북을 고려할 것입니다 멀티 클라우드이기도합니다 그것은 단지 구름의 또 다른 예입니다 괜찮아

실험 스택을 보면, 모델을 만들 때, 당신은 현지에서 훈련하고, 물건을 시험해보고, 물건을 많이 가지고 있습니다 랩탑에서 돌아가서, 가속기가있는 하단의 하드웨어부터 시작하여, 운영 체제 드라이버, 런타임 및 저장소 그리고이 위에는 프레임 워크가 있습니다 실제로 모델을 훈련하고 구축하는 데 사용합니다 스택 맨 위에있는 랩탑이나 데스크탑에서, 당신은 마이크로 서비스를 많이 설치하려고합니다 워크 플로를 작성하고 만들 수있는 읽기 및 데이터, 교육, 그런 다음 모델을 테스트하고 예측을합니다

이제 우리는 한 걸음 더 나아가게됩니다 이 모든 일을 다시 끝내야 해 실제로 규모에 맞게 모델을 훈련시키려는 경우 우리 모두는 많은 양의 데이터로 모델을 교육하는 것을 좋아합니다 우리가 사용할 수있는 데이터 세트가 많을수록 데이터가 많아집니다

당신이 사용할 수있는 포인트 다행히 모델에서 더 나은 정확도를 얻을 수 있습니다 그리고 마침내, 당신은 실제로 모델을 클라우드에 배포하려면 실제로는 끝 포인트는 사용자가 액세스 할 수 있으며 실제로 만들고 있습니다 현실 세계의 차이 모델의 실제 의도

이 세 가지 환경 모두에 대해, 불행히도 현재 세트에서 현재 이용 가능한 기술들, 말 그대로 많은 것을 다시해야합니다 실험 스택에서 한 행동 실제로 모델을 구축하는 것은 아닙니다 생산에 적용하거나 배치 할 수있는 것 구름에 그리고 그 일을하는 데 수반되는 많은 일이 있습니다 이것이 우리가 Kubeflow를 짓는 것을 생각한 이유입니다

그리고 우리는 이러한 노력을 시작했습니다 문자 그대로 우리의 사명은 모든 사람이 쉽게 사용할 수 있도록하는 것입니다 휴대용 분산 개발, 배포 및 관리 ML Kubernetes에 요약하면 기본적으로 플랫폼 Kubeflow를 실행할 수있게 할 것입니다 어디에서나 Kubernetes를 실행할 수있는 곳이라면, 전 구름에 상관없이 또는 어떤 종류의 클라우드 플랫폼

Kubernetes를 실행할 수 있다면 Kubeflow를 배포 할 수 있습니다 기술 스택을 함께 가져와 로컬 시스템을 포함하여 따라서 로컬 컴퓨터에서도 Kubernetes를 실행할 수 있습니다 이 기술로 본질적으로 스택이 어떻게 생겼는지입니다 말 그대로 Kubeflow 서비스를 사용하고 있습니다 배포하고 개발하는 모든 것이 무엇이든, 당신은 모든 환경에서 그것을 번역 할 수 있어야합니다

많은 노력없이 Kubeflow 내부에서 일어나는 일을 살펴보면, 우리는 마이크로 서비스를 많이 가지고있다 우리는 ML 워크 플로우를 구축하는 데 의존하고 있습니다 그리고 우리는 모든 구성 요소를 통합했습니다 일부는 TensorFlow DFX 및 기타의 Google 자체에서 제공됩니다

TF와 같은 것들을 포함한 오픈 소스 커뮤니티에서 Transform, Numpy, 데이터 변환을위한 스파크, 목성 데이터 검증을위한 TF 데이터 실제로 개발 환경을 위해 당신은 당신의 모델 인 TF Job, MXNet, 규모에 맞게 모델을 실제로 훈련하는 PyTorch TF Serving, Seldom, TensorRT를 통해 대규모로 모델 제공 원하는 대기 시간과 함께 그리고 모니터링을 위해 프로 메테우스 우리가 슬라이드에 들어갈 수없는 것들이 더 있습니다 또한, 상자가 있음을 알 수 있습니다 지금 내용이 누락되었습니다 따라서 더 많은 역량을 구축해야합니다

공동체가 참여하게한다 플랫폼에 솔루션을 통합 할 수 있습니다 알았어 그래서 그것은 뒷 이야기의 일종이었다 Kubeflow가 무엇이고 어떻게 솔루션을 번역 할 수있게 해줍니다

다른 플랫폼에서 이 슬라이드에서 시간을 보내길 바래 사용자 경험이 무엇인지 생각해보십시오 같이 보일거야 모델 개발을 해본 사람들, 우리는 당신이하는 일의 흐름이 어떤 것인지를 알고 싶어합니다

당신이 어떻게 당신을 이해하려고하는지 모델을 개발하고 구축하십시오 Kubeflow의 중요한 목표 중 하나 정말 낮은 막대와 높은 천장의 경험을 만들어냅니다 천장이 높다는 것은 무엇을 의미합니까? Kubeflow가 설계된 방법에 주목하면 Kubernetes의 상단에, 그것은 어떤 Kubernetes도 제한하지 않습니다 레벨 API 그리고 Kubeflow에서 사용할 수있는 모든 도구에서, 당신은 당신의 마음의 내용을 구성 할 수 있어야합니다

그리고 당신이있는 어떤 환경에서도 Enterprise World에는 많은 복잡성이 있습니다 많은 도전적인 네트워킹 설정, 다른 종류의 환경 을 위해 최적화해야 할 수도 있습니다 그리고 Kubeflow의 설정 당신이 세부 사항으로 내려갈 수 있어야합니다 필요한 모든 것을 수정하십시오

그것은 당신의 환경에서 작동합니다 하지만 다른 한편으로는 Kubernetes에 익숙하지 않은 사용자 이 플랫폼에 액세스하여 Kubernetes를 구축 할 수 있어야합니다 Kubernetes를 배우는 것에 대해 걱정할 필요없이 흐릅니다 데이터 과학 분야에서도 마찬가지로 뿐만 아니라 엔지니어가 있습니다 학습 데이터 과학을 시작합니다

Kubernetes에는 좋은 배경이 많이 있습니다 및 시스템을 사용하지만 데이터에 익숙하지 않을 수도 있습니다 과학 우리는 그들을 위해 낮은 막대를 만들고 싶습니다 데이터를 만들 수있는 도구가 있어야한다

과학 기계 학습 제품 세부 사항에 너무 많이 가지 않고 가능하면 다양한 기술을 배우는 것 좋아, 그걸 염두에두고, 나는 우리를 걸을 수있는 모범을 제시한다 우리가 방금 이야기 한 사용자 경험을 통해 구체적으로 초점을 맞추고 있습니다 제 생각에 많은 사람들이 이미 무엇에 대해 잘 알고 있다고 생각합니다 GitHub 문제입니다

일반적으로 GitHub에 가면 생각합니다 실제 문제와 관련된 콘텐츠가 있습니다 너는 모든 세부 사항을 가지고있다 그리고 나서 당신은 라벨을 붙입니다 – 제목 GitHub 문제 제목 그것은 적합하거나 묘사하고, 요약하고, 그게 무슨 문제 야? 우리가보고있는 문제 본질적으로 버그를 신고하는 사용자입니다 그리고 그들이 어떤 문제를 겪고있을 때, 그들은 올바른 사고 방식에 있지 않습니다

그리고 그들은 실제로 무슨 일이 일어나고 있는지에 대해 고민하고 있습니다 그리고 그들이 원하는 것은 그 오류를 붙여 넣는 것입니다, 제공하고자하는 정보를 제공하십시오 문제를 제기하십시오 생각할 시간이 아닐 수도 있습니다 정확히 무슨 일이 일어나고 무엇이해야 하는가? 버그의 진짜 제목은

이를 염두에두고 데이터 과학자 중 한 명이 Hamilton의 GitHub에서이 문제에 대해 실제로 생각했습니다 그는 ML 알고리즘이나 ML을 생각해 낼 수 있다고 느꼈다 콘텐츠를 볼 모델, 그것을 분석하고, 그 제목을 제안 해 주시길 바랍니다 관련성이 높고 도움이됩니다 그래서 저는이 시점에서 하멜에게 감사 드리고 싶습니다

실제로이 모델을 만든 GitHub에서, 그리고 도움을 준 Ankush와 Michelle 이것을 Kubeflow 위에 응용 프로그램으로 제작합니다 그리고 내가 사람들에게 감사하는 단계에있는 동안, 다른 많은 사람들에게도 감사해야합니다 당신이보고있는 내용은 실제로 내 창조물이 아닙니다 실제로 그것을 만드는 데 많은 도움을 준 사람들입니다 그리고 저는 개인적으로 제레미에게 감사 드리고 싶습니다

실제로 여기 주변에 있습니다 가능한 한 그를 만나시기 바랍니다 그는 Google Kubeflow 엔지니어링 팀의 기술 선도자입니다 그리고 그는 개념화하고 공식화했다 2017 년에 시작된 Kubeflow 주변 아이디어 2017 년 12 월 발표 제품 관리자 David과 함께이 세계에 아론 틱, 오늘 여기 없어요

그래서 그들 중 2 명은이 프로젝트를 공동 창립했습니다 실제로 비전과 기술을 정의했습니다 이 일이 일어나고 그 다음으로 나아갈 것입니다 우리가 그 (것)들에게 방향을 제공하기 위해 많이 의존한다고 말하십시오 또한 Google의 Kubeflow 엔지니어링에 감사드립니다

팀 그것들이 없으면이 모든 것이 불가능할 것입니다 그리고 물론 Kubeflow 커뮤니티 – 우리는 정말로 우리 공동체를 사랑합니다 그들은 개방적이고 친절하며, 그리고 그들은 우리와 함께 많은 것을 돕는다 이러한 문제에 대한 해결책을 제시합니다

좋아, 앞으로 나아가, 첫 걸음 사용자 경험에서 우리가 이야기하고 있었던 배포였습니다 그리고 이것은 실제로 신선한 것입니다 지금까지는 직접 사용할 수 없습니다 하지만 배포 경험에 대한 미리보기를 제공하고자합니다 이 응용 프로그램과 같이 보일 것입니다

우리가 짓고있는 이 배포는 배포입니다 Kubeflow가 Google Kubernetes 엔진 위에 있습니다 앞에서 언급했듯이 Kubernetes가 어디에 있든 Kubeflow를 배포 할 수 있습니다 Microsoft Azure, AWS, 또는 다른 어떤 [? 클라우드 중심?] on prem 하드웨어 그러나 우리는 특별히이 프리젠 테이션에 초점을 맞추고 있습니다

GKE 기반 배포 당신은 몇 가지 [? ?] [INAUDIBLE] 세트 Google에 대한 정보를 제공하는 방법에 대해 이야기합니다 프로젝트, 원하는 클라우드 프로젝트 스택을 배포하고 배포 이름을 지정하려면 그런 다음 일종의 인증 정보를 제공합니다 클릭 배포를 말할 수 있습니다

몇 분 후, 함께 클러스터를 볼 수 있어야합니다 Kubernetes 엔진에서 실행되는 서비스 계기반 그럼이게 무엇을 보여주고 있습니까? 작은 글꼴에 대해 유감스럽게 생각합니다 그러나 근본적으로, 이것들은 몇 가지 핵심 서비스들입니다 귀하의 클러스터에 Kubeflow가 배치됩니다

배포를 만들 때 이 중 많은 것들이 함께 묶는 것이 기본입니다 워크 플로 또는 프로세스를 모델 교육 또는 배포에 사용할 수 있습니다 여기에서보고있는 URL 근본적으로 액세스 포인트에 들어가는 방법입니다 Kubeflow 클러스터 배포 모든 것이 기본적으로 배포 방식입니다

클라우드 프로젝트에서 보호됩니다 예외가있는 외부 IP에서 액세스 할 수 없습니다 이 진입 점을 IP 보호, Google IP 보호, 당신이 모든 액세스 권한을 부여하고 클러스터로 들어갑니다 따라서 해당 링크를 클릭하면 Kubeflow 대시 보드 지금은 아주 적습니다

그리고 우리는 여기에 들어가야 할 올바른 정보는 무엇입니까? 그리고 모두 의미가 있습니다 하지만이 시점에서 당신이 몇 가지로 반송 도움이 당신이 가장 일반적으로하고있는 것입니다 그것이 도움이 될 것 인 첫번째 물건은 당신이 도착하는 것을 돕는다 JupyterHub입니다 JupyterHub는 실제로 당신의 발달을

이것이 배포 프로세스의 다음 단계입니다 나는 여기서 약간의 시간을 들여서 되돌아와보고 싶다 우리가 낮은 술집, 높은 천장에 대해 이야기했던 우리 교장 선생님 께 우리는 UI, 웹 UI 기반 배포 프로세스, 전개에 대한 기준을 낮추어 그렇지 않은 데이터 과학자들도 쉽게 사용할 수 있습니다 Kubernetes에 익숙해 Google Cloud에 접속하십시오

Kubeflow를 만들 수 있어야합니다 많은 노력없이 클러스터, 단 몇 번의 클릭 몇 번의 키 입력 그러나 다른 한편으로, 우리는 무슨 일이 일어나고 있는지 잘 아는 사람 배포가 무엇인지에 대한 완전한 제어권을가집니다 같이 보일거야 그래서 앞에서 살펴본 CLI 기반 배포 명령 줄 도구 인 kftctl을 사용합니다

또한 배포를 제어 할 수 있습니다 4 개의 명령 세트 – init, 생성, 적용 및 삭제 워크 플로 배포 방법에 대한 예를 볼 수 있습니다 오른쪽에 먼저 배포를 초기화하는 것으로 시작하여 결국 몇 가지 매개 변수, 환경 변수, 귀하의 클라우드 구성이 무엇인지 판단하십시오 같이 보일 것입니다

그런 다음 환경을 만듭니다 변하기 쉬운 그리고 init은 디렉토리입니다 Kubeflow를 참조하는 Kubeflow 응용 프로그램 전개 그것이 완료되면, 당신은 할 수 있습니다 – 이 경우에도 다시 Google Cloud Platform 인 GCP를 가리 킵니다

그래서 결국 GKE 클러스터를 만들게 될 것입니다 다음 단계는 기본적으로 플랫폼을 생성하는 것입니다 그리고 생성되는 것은 그것이 생성하는 것입니다 GKE 구성에 대한 많은 구성 같이 보일거야 이 이점은 생성 된 구성 집합 배포를 수행하는 곳에서 로컬로 사용할 수 있습니다

그 구성에 액세스 할 수 있습니다 가서 무슨 일이 일어나고 있는지 둘러 볼 수 있습니다 많은 것들을 조정할 수 있습니다 추가로드 풀을 작성하려는 경우에는 수정하고, 당신은 [? GPUs?] 처음부터 거기에서 많은 구성 변경을 할 수 있습니다

본질적으로 IEP를 원하든 원하지 않든간에 다음 단계는 플랫폼을 적용하는 것입니다 실제로 생성 된 구성을 사용합니다 이전 단계에서, 그리고 실제로 말하기 Google 배포 및 클라우드 배치 관리자에게 GKE 클러스터를 만들었습니다 구성에 의해 정의됩니다 다음 단계는 대략 k8을 생성하는 것입니다

기본적으로 구성 GKE 클러스터에 배포되는 다양한 서비스 따라서 이전 슬라이드 중 하나에서 GKE를 살펴 보았습니다 클러스터, 서비스 목록이 있음 핵심 Kubeflow의 일부로 실행되고 있습니다 해당 서비스의 구성 이 명령으로 생성됩니다 그리고 신청은 다시 진행할 것이고 그것을 적용 할 것입니다 하지만 중간체는 그 구성을 사용 가능하게 유지하는 것 필요하다고 생각되는 양식을 수정하십시오

Jupyter 노트북으로 다시 전환하면, 너는 주피터 허브 (JupyterHub)에 간다 그리고 이것은 당신이 착륙 할 수있는 페이지입니다 Jupyter 노트북을 만들 수 있습니다 여기서 주목하면 여기에있는 첫 번째 필드 컨테이너 이미지를 선택하게합니다 미리 만들어진 컨테이너 이미지가 몇 가지 있습니다

Docker 컨테이너 이미지입니다 이미 다른 버전의 TensorFlow 지원 TensorFlow는 CPU 또는 GPU 용으로 제작 된 이미지와 함께 제공됩니다 원하는 경우 Spawn을 클릭하면됩니다 그런 다음 내 노트북을 시작하는 것처럼 말하십시오 그러나 더 이상 구성하고 지정할 수 있습니다

얼마나 많은 코어를 원하십니까? 따라서 작업량에 GPU가 필요하다는 것을 알고 있다면, GPU 컨테이너가 필요하다고 지정할 수 있습니다 그런 다음 필요한 메모리 양을 지정할 수 있습니다 일단 당신이 당신의 노트북을 창조하면, 당신은 노트북 안에 있습니다 그리고 이것은 당신이 다니는 놀이터의 종류입니다 TensorFlow 라이브러리를 가져올 수 있습니다

다른 파이썬으로 작업한다면 라이브러리, PyTorch, 당신은 PIP 설치 패키지를 할 수 있어야합니다 여기뿐만 아니라 그리고 그 패키지에 접근 할 수 있습니다 파이썬 패키지 다른 파이썬 도구에 상관없이 팬더에 액세스 할 수 있습니다

사용할 수 있습니다 이것은 당신이 많은 시간을 보낼 곳입니다 당신의 모델을 반복하고 어떤 것이 효과가 있는지 알아 내고, 무엇이 작동하지 않으며 모델을 어떻게 원합니까? 다양한 데이터에 연결되는 모습 실제로 모델을 훈련하십시오 이 단계에서 당신은 여전히 Jupyter가있는 컨테이너 내부에서 실행 중입니다 노트북을 실행합니다 따라서 합리적인 규모의 데이터로만 작업하고있는 것입니다

반복 및 실험 할 수있는 세트 귀하의 모델에 일단 당신이 당신의 훈련 스크립트가 무엇인지 알게되면 프로세스의 다음 단계처럼 보입니다 Docker 컨테이너 이미지를 작성하는 것입니다 현재이 프로세스에는 Docker 파일을 정의하는 작업이 포함됩니다 Docker 컨테이너에 필요한 항목을 지정합니다

설치했다 예를 들어, 몇 가지 Python 패키지를 설치해야하는 경우, 해당 PIP 설치가 있습니다 그리고 당신은 당신의 훈련 스크립트에서 복사합니다, 노트북에서 가져온 파이썬 스크립트 해당 파이썬 파일을 만들 수 있습니다 컨테이너 이미지에 포함시킬 수 있습니다

다른 지원 라이브러리와 함께 네가 거기에서 원하는대로 쓴거야 일단 Docker 파일을 지정하면, Docker Build 명령어를 사용합니다 Docker 컨테이너 이미지를 만든 다음 G Cloud를 작성합니다 클라우드로 밀어 넣어 실제로 사용할 수있는 위치에서 컨테이너 이미지를 사용하여 교육 작업을 만듭니다 내가 여기서 부르고 싶은 또 다른 일 높은 천장의 낮은 막대를 되돌아보고 있습니다

나는 몇몇 데이터 과학자들, 이것은 너무 많을 수 있습니다 그들은 아마도 이것을 할 수 있습니다 그러나 이것이 대부분의 시간을 보내야하는 곳입니까? 이것이 우리가 이것을 통합하려는 이유입니다 노트북에서 직접 이동하는 워크 플로우, 그리고 당신은 당신의 훈련 연습을 할 수 있습니다 그리고 그곳에서 Build를 클릭하십시오

그리고이 뒤에서 실제로 자신을위한 컨테이너 이미지를 만듭니다 우리가 생각하고있는 여러 가지 방법이 있습니다 우리가 할 수있는 피드백에 따라 모든 단계에서 막대를 낮추십시오 좋아, 다음 단계를 살펴 보자 가장 흥미로운 부분입니다

나를 위해, 최소한 – 내 훈련 스크립트를 가져 와서 실제로 실행하는 것입니다 분산 클러스터에서 전체 눈금 만들기 TensorFlow 모델 Kubeflow 클러스터에 배포하는 모든 응용 프로그램에서, 그것이 작동하는 방식은 – 몇 가지 슬라이드에서 더 자세히 살펴 보겠습니다 그러나 본질적으로, 그것은 일반적으로 두 단계 – 교육 작업을위한 구성 작성 또는 클러스터에 배포하려는 다른 서비스 근본적으로 당신이 그 구성 매개 변수가 지정되어있다 적절하게 당신이 필요로하는 것을 기반으로, 얼마나 많은 근로자가 필요한지, 모델의 입력은 어디에서 오는지, 어디에서 출력을 원합니까? 이동 모델 및 크기 설정 당신의 훈련 세트가 어떻게 될 것인가? 아마도 어쩌면 어쩌면 보일지도 모른다

구성 준비가 완료되면, 그때 당신은 당신의 훈련 직업을 시작할 수 있습니다, 방금 정의한이 TF 작업 구성을 사용하십시오 내 Kubeflow 클러스터에 적용하십시오 그리고 그것은 실제로 적용되는 ks apply 명령입니다 구성, 다음 클러스터에 이야기하고 말한다, 이 용기를 가져와 실행 해

그 일이 진행되는 동안 너는 다양한 Kubeflow 명령을 사용할 수 있습니다 작업을 실행중인 부분을 모니터링하는 방법 로그에 액세스하여 진행 상황 파악 훈련 일과 동일하게 돌아 가라 나는 계속 같은 주제로 돌아 간다 그러나 근본적으로, 낮은 바, 높은 천장, 우리는 데이터 과학자 또는 사실 약간의 융통성을 원합니다

가서 TensorFlow 작업을 쉽게 만들 수 있습니다 구성 UI에서 그리고 이것은 가능합니다 이전 슬라이드를보고, 거기 그 일에 대해 정의 된 많은 구성이었습니다 그리고 우리는 말 그대로 해석하고 해석 할 수 있습니다

구성 및 해당 UI를 생성 그 구성에 당신을 허용 명령 줄에서 매개 변수를 설정하는 방법 하지만 UI에서 여기서 컨테이너 이미지를 가리킬 수 있어야합니다 당신이 사용하기를 원하는 노동자의 수, 어디에서 데이터를 가져올 지 등이 포함됩니다 우리 모델이 훈련되면 우리를위한 다음 단계 이 모델을 어떻게 풀 수 있을까요? 내가 제시 한 모범을 믿는다 여기에 Tensorflow [? 피복재

?] 그리고 Selden도 사용할 수 있습니다 Kubeflow에서 사용할 수 있습니다 그리고 우리는 GitHub Examples repo를 가지고 있습니다 가서 GitHub 문제를 살펴 보겠습니다 요약 예

그리고 너는보고 볼 수 있어야한다 Selden을 사용하여 동일한 작업을 수행 할 수있는 방법 이 슬라이드에서는 TensorFlow를 안내합니다 [? 검색?]을 눌러 모델을 검색합니다 우리가 사용하는이 ksonnet에 대해 이야기했습니다

나는 너에게 약간의 배경을주고 싶다 저기서 무슨 일이 일어나고 있는지 우리는 ksonnet을 사용합니다 ksonnet은 템플릿을 사용하여 다양한 구성을 설명 할 수 있습니다 그리고 templating의 힘은 너는 모든 것들을 매개 변수화하기 위해 구성을 지정 및 설정하고 수정할 수 있습니다

인스턴스 생성시 그래서 모든 Kubeflow 구성 요소가 설명됩니다 해당 Ksonnet 구성에 따라 구성 디렉토리에서 사용할 수 있습니다 클러스터를 전개 할 때 작성한 파일입니다 거기에서 서비스를 만들 수 있어야합니다

템플릿을 사용하여 새 서비스 구성 요소를 생성합니다 여기에서 내가하는 것처럼 매개 변수를 구성하십시오 우리는 ServeInception 컴포넌트를 생성했다 TF 제공 템플릿의 새로운 구성 요소입니다 그런 다음 여기에 몇 가지 매개 변수를 설정합니다

우리가 HTTP 프록시를 원하는지, 우리가 사용하고 싶은지 모델이 실제로있는 GPU 모델을로드 할 위치를 저장하려고합니다 그리고 다른 많은 매개 변수들이 있습니다 내가 사용하지 않지만 당신은 자유롭게 탐구하고 알아낼 수 있습니다 당신이 구성하고 싶은 것 그리고 나서 마지막 단계처럼, 마지막 시간처럼, 일단 구성이 준비되면, ks apply라고 말하면서, 실제로 배포가 끝납니다

클러스터에서이 구성 요소를 사용하여 모델을 시작합니다 마지막으로이 웹 앱을 배포합니다 매우 유사한 과정입니다 아마 Flake 나 다른 파이썬을 사용하여 끝날 것입니다 라이브러리 또는 좋아하는 도구가 무엇이든간에 모델에 대한 웹 앱 빌드 우리가 방금 만든거야

그리고 일단 신청서가 준비되면, 해당 컨테이너 이미지를 만들고 deploy Kubeflow의 컨테이너, 그리고 당신 귀하의 모델에 귀하의 UI를 가지고 [? 뒤에서 나는 내가 이것을 계속해서 언급하고 있다고 생각한다 그러나 본질적으로 그것이 진짜 주제입니다 여기에 우리가 확인을 위해 노력해 왔습니다 우리는 구성 요소의 폭을 모든 워크 플로우의 모든 스펙트럼에 걸쳐 필요합니다

데이터 수집에서 배포 및 실행 방법 귀하의 응용 프로그램 이 문제를 해결하기 위해 많은 노력이 필요합니다 우리가 스스로 할 수있는 것보다 우리가 우리 지역 사회에 많이 의존하고있는 이유입니다 솔루션을 제공합니다 그리고 우리는 당신도 참여하도록 권장 할 것입니다

그러나 우리가이 작업을하는 동안 우리는 사용자를 연구합니다 많은 피드백을 받고 어디에서 추측 할 수 있습니까? 그들은 어려움을 겪고 있습니다 그리고 우리는 그 정보를 활용할 것입니다 막대를 낮추고 개선하기 위해 우리가 어디에서나 볼 수있는 경험 사용자 경험에 고통입니다 우리에게는 엄청난 기세가 있습니다

올해 초 프로젝트가 시작된 이후, 작년 말, 올해 초 1,000 개 이상의 커밋과 100 개 이상의 커뮤니티 멤버가 있습니다 이들은 활동적이며 약 20 개 이상의 회사 기여하고 있습니다 GitHub 레포에서 이에 대한 실시간 통계를 얻을 수 있습니다 마지막으로 Kubeflow가 열려 있음을 언급하고자합니다

우리는 열린 공동체입니다 우리는 지역 사회에 가입하고 기여하는 사람들을 사랑합니다 오픈 디자인, 오픈 소스, 우리는 아이디어에 열려 있기 때문에 우리는 점점 더 많은 데이터 과학자들이 참여하기를 희망합니다 오늘 알았 듯이 데이터 과학자는 거의 없습니다 나는 당신이 우리 웹 사이트 kubeflow

org에 가기를 좋아할 것이다 우리의 GitHub 저장소에 가서 문제를 제기하십시오 거기서 시작합시다 작동 중인지 여부에 대해 문제를 제기하지 않는 이유는 무엇입니까? 너를 위해 일해? 그리고 나서 우리가 당신을 더 관련시킬 것입니다 그리고 희망적으로, 당신은 기여할 ​​아이디어를 갖게 될 것입니다

너희들이 있으면 행복하게 몇 가지 질문을 관객 : Abhishek, 감사합니다 내가 가진 한 가지 질문은 이전 일뿐입니다 자신의 ML 파이프 라인을 만드는 여러 회사들에 대해 이야기했습니다 그런 것들

Uber의 Michelangelo, Facebook의 FB 학습자 너희들이 얼마나 일반적으로 이것을 디자인하고 있니? 그리고 당신이 생각하는 방식으로, 당신들이 설계하고있는 방식으로, 보유한 사용 사례에 잠재적으로 적용될 수 있습니까? 그리고 어떻게 당신들이 최적화를하고 있습니까? 오만하고 더 일반적인 사이에? ABHISHEK GUPTA : 맞아, 나는 우리가 장소에서 시작한다고 생각해 우리는 비난을받지 않습니다 우리는 유연성을 허용하고자합니다 커뮤니티가 아이디어를 내놓을 수있게해라

기여할 수 있습니다 처음에는 가장 큰 도전이라고 생각합니다 폭을 넓히고 확실하게하는 것입니다 우리는 구성 요소를 가지고 있으며, 우리는 전체적인 끝을 커버 할 수있는 지원을 가지고 있습니다 워크 플로우를 종료합니다

사람들이 가장 큰 도전 중 하나라고 생각합니다 관심이 데이터 커넥터입니다 모든 엔터프라이즈 솔루션에서 큰 문제가됩니다 사람들이 항상 우리에게 묻습니다 데이터 시스템에 커넥터를 사용할 수 있습니까? 그리고 마찬가지로 미켈란젤로에 대해서도 언급 한 것 같습니다

페이스 북의 FB 학습자 그들 모두는 다양한 강점을 가지고 있습니다 그리고 나는 우리가 그들에게 와서 기고하기를 환영한다고 생각한다 로 [? OSS?] 커뮤니티를 구축하고이를 플랫폼에 구축하십시오 우리는 그것을 갖고 싶습니다

다른 이들이 건설하기를 원한다면 – 우리는 갔고, 만든 것처럼 많은 기여자를 가지고 있습니다 구성 요소를 가져가는 노력 그러나 그들을 이용할 수있게하십시오 그리고 우리는 그것을 계속하도록 격려 할 것입니다 관객 : 이봐 요, 이야기 해줘서 고마워요 그래서 문제 중 하나 또는 사물 중 하나 오늘 존재하지 않는 것을 도울 수있는 우리가하는 표준이 무엇인지 아는 것입니다

MLS가 없기 때문에 ABHISHEK GUPTA : 그렇습니다 관객 : 피처 엔지니어링 (feature engineering)을하는 법, 서빙을하는 법, 훈련을하는 방법, 그리고 우리가 일을하고 있다면 그것은 기업과 호환된다는 것입니다 그때에 유감스럽게도 실제로 도움이됩니다 ABHISHEK GUPTA : 물론입니다

관객 : 어떻게 보입니까? ABHISHEK GUPTA : 그렇습니다, 나는 동의하지 않습니다 나는 네 질문이 매우 유효하다고 생각한다 나는 우리가 이야기하는 많은 고객들로부터 이것을 듣습니다 그들 중 많은 사람들이 그들은 저에게 이것을하는 1 가지의 방법을 말한다, 그게 내가하고 싶은 일이다 나는 탐구하고 파악하고 싶지 않다

그래서 우리는 다양한 사람들을 봅니다 정말 정교한 엔지니어가있는 곳 실제로 팀은 완전한 통제를 원합니다 그러나 실제적으로 관심이 있습니다, 이건 제 사업상의 문제입니다 그것이 제가 집중하고 싶은 말입니다 어떻게 이런 일을하는지

나는 여론 조사를받는 것이 도움이 될 때를 본다 그러나 나는 프로젝트의 시작과 같아 보인다 의견을 낼 때가 아니다 우리는 올바른 견해가 무엇인지 알지 못할 것입니다 나는 우리가 탐구하고 허용 할 때가 된 것 같아요

우리와 함께 아이디어를 제공하는 커뮤니티 아이디어 그리고 잘하면, 우리는 사용자로부터, 고객으로부터 무엇이 그들에게 효과가 있는지 알려줍니다 우리는 그들이 혼란 스러울 때 그들을 돕기 위해 기꺼이 돕습니다 또는 그들이 약간의 손을 떼고지도해야 할 필요가 있다면 우리는 앞으로 그것을 기꺼이 감당할 것입니다

우리 지역 사회 전체가 지침을 제공하는 것을 기쁘게 생각합니다 하지만 나는 그걸 믿지 않는다고 생각합니다 우리가 지금 오픈 끝나기 시작하면, 나는 우리가 좋은 해결책을 잃을 것이라고 생각한다 우리는 결국 플랫폼이 모두가 쓸모가 없다 내 의견으로는 전체 ML 공간이 산업으로, 우리는 모든 일을하는 올바른 방법이 무엇인지를 정말로 모릅니다

아르 그리고 우리는 먼저 그것을 알아낼 필요가 있습니다 우리가 사람들에게 그 의견을 부탁하기 시작하기 전에 관객 : 안녕하세요 내 이름은 폴이야

정보 주셔서 감사합니다 그것은 많은 사람들을 돕는 정말 훌륭한 도구 인 것 같습니다 ABHISHEK GUPTA : 고맙습니다 관객 : 저는 KeyStores에 대해 많이 들었습니다 Kubeflow가 KeyStores와 함께하는 방식에 대해 궁금합니다

또는 ID 관리 ABHISHEK GUPTA : 좋습니다 관객 : 당신이 IAM을 좋아한다는 것을 압니다 Google Cloud Platform에서 그 말을 할 수 있니? ABHISHEK GUPTA : 그렇습니다 ID 및 액세스 관리에 의존하고 있습니다

기본 클라우드 플랫폼에 예를 들어 Kubeflow 자체는 수많은 기본 클라우드에서 휠 재발 명 하부 구조 Google Cloud에서 우리는 완전히 의존합니다 사실 Kubernetes에 크게 의존 할 것입니다 이러한 솔루션을 설계 및 정의하고이를 활용할 수 있습니다 그리고 그 외에도 배포 할 때 Kubernetes는 다른 클라우드 제공 업체, 우리는 IAM 솔루션을 활용할 것입니다

저기서 사용할 수 있습니다 말이 돼? 관객 : 네, 고마워요 ABHISHEK GUPTA : 폴 감사합니다 관객 : 안녕하세요 우리가 Kubeflow를 배치하는 데 도움이 될지 궁금 해서요

관리되는 일부 기계 학습 플랫폼에 대한 Google의 관점에서 볼 때 어떻게 보입니까? ABHISHEK GUPTA : 그렇습니다 나는 그렇게하는 것이 좋은 생각이라고 생각합니다 우리가 방금 토론 한 것처럼 분명히 사용자가 있습니다 누가 관리 서비스의 혜택을 누릴 수 있습니다 그리고 나는 그것이 그들의 경험에서 중요한 부분이라고 생각합니다

그들은 실험하고 깊게 들어갈 용의가있다 특정 지역으로 그러나 ML 워크 플로우의 일부가 있습니다 투자를 원하지 않는 곳 그리고 통합하는 것이 좋을 것입니다

나는 Mark가 내가 생각하기에, FB Learner를 얻는 방법에 대해 물어 보았습니다 예를 들어, 미켈란젤로 또는 Google 클라우드의 관리 서비스 플랫폼에 통합 할 수 있습니다 나는 우리를 위해 그것이 중요하다고 생각한다 이러한 서비스와의 통합 지점을 파악하기 위해, 예를 들면 사람들은 기꺼이 시간을 보낼 수 있습니다

실패하거나 실험이 진행되면서 정상입니다 교육 단계 그러나 그들은 구글의 힘을 이용하기를 원한다 CLE?] 게재 용 플랫폼 또는 이와 유사하게 다른 관리 서비스가있을 수 있습니다

그럴 수도 있습니다 그래서 저는 이것이 흥미로운 아이디어이며 매우 유용하다고 생각합니다 우리는 분명히 모든 솔루션을 분명히 봐야합니다 나는 그것들을 할인하지 않을 것이다 그 질문에 대답합니까? 고마워

관객 : 당신이 처음에 언급 한 [비 숙녀] 그 [INAUDIBLE] Kubeflow [INAUDIBLE] 클라우드뿐만 아니라 다른 클러스터에도 배포하십시오 ABHISHEK GUPTA : 그렇습니다 관객 : 현재 다른 종류의 클러스터를 다룰 수 있습니까? HPC 시스템과 같은 시스템? ABHISHEK GUPTA : 그렇습니다 좋은 질문입니다 그래서 저는 쿠베르네스에 크게 의존한다고 생각합니다

우리에게 배포 기능을 제공합니다 다른 플랫폼에서 예를 들어, prem은 이러한 플랫폼 중 하나입니다 우리는 특정 파트너와 협력하고 있습니다 이 작품을 작업하게 만드는 데 집중하고 있습니다

고성능 클러스터와 같이, 예를 들어, InfiniBand 연결이 있거나 예를 들어 시스코와 같은 다른 유형의 상호 연결입니다 일부 고 대역폭 연결도 있습니다 따라서 우리는 지역 사회 파트너 중 일부에 의존 할 것입니다 이러한 플랫폼을 해당 하드웨어 플랫폼으로 이식 할 수 있도록 도와줍니다 청중 : 현재 아직 이용 가능하지 않습니다

[알아들을 수 없는]? ABHISHEK GUPTA : 그렇습니다 나는이 사실을 모르고 있지만, 예를 들어, 특정 파트너가 솔루션을 개발 중입니다 맞습니다 그러나 이것은 확실한 것입니다 우리가 관심을 갖고있는 고맙습니다

감사합니다, [INAUDIBLE] ABHISHEK GUPTA : 고맙습니다 고마워

Human-level AI by 2025? Intelligence artificielle 54 (ft. Up and Atom)

Haleh 나는 너에게 질문이있다 너는 AI에 대한 전문가 야

인간의 눈에는 언제 레벨이 있다고 생각합니까? 안녕하세요, 제이드, 보통 프랑스어로 된 내 채널의 동영상입니다 프랑스 어때요? Je ne parle pas français 괜찮아 잘 네가 그렇게 위대한 과학을하는 youtuber이기 때문에, 나는 오늘 당신을 위해 예외를 할 것이다 나는 영어로 말할거야 그것이 나의 구경꾼 모두가 나의 프랑스 악센트를 조롱하는 것을 의미하더라도 고마워요

그렇다면 인간의 수준은 무엇이라고 생각합니까? 인공 지능은 언제까지있을 수 있습니까? 모든 업무를 수행하고 비용을 절감 할 수 있다면 더 좋은 성과를 낼 수 있습니다 그렇다면 왜 이러한 모든 일이 발생할 수 있습니까? 질문과 논란이 많은 주제에 대해 강한 의견을 갖고 싶은 유혹이 있습니다 그러나 먼저 예측하는 것이 중요합니다 미래는 극도로 도전적인 과제입니다 특히 현대 세계가 얼마나 복잡한 지, 특히 그것이 얼마나 빠르게 변화하고 있는지를 감안할 때 내 큰 충고는 네 배짱을 믿지 않고 내 배짱을 믿지 마라

좋습니다하지만 여전히 중요한 질문입니다 나는 인간의 눈이 눈에 큰 변화를 가져올 것이라는 것을 의미합니까? 우리는 어떻게 정보에 입각 한 답을 더 많이 얻을 수 있습니까? 음, 신뢰할 수있는 사람이 없다고해도 전문가 커뮤니티의 의견이보다 신뢰할 수있는 답변을 산출하는 경우가 종종 있습니다 네 그래서 MIT Technology Review의이 기사를 발견했습니다 AI 전문가들은 인간 수준의 AI는 인류에 대한 위협이라고 생각하지 않습니다 기다림

너 봤어? 이 기사에 대한 후속 조치가 기사 하단에 있습니다 그래, 그게 이상한거야 후속 기사는 정확한 반대를 말합니다 그럼 여기서 뭐하는거야? 나는 핵심적인 테이크 아웃은 전문가들 사이에 큰 불일치가 있다는 것과 심지어 전문가의 합의가 무엇인지에 대한 의견 차이 불행히도 많은 인공 지능 전문가가 도움이되지 않습니다 AI 전문가의 공감대에 대한 자신의 의견뿐만 아니라 AI의 미래에 대한 자신의 의견을 제시하는 것이 바람직하다

그러나 두 기사가 동의하지 않는 더 미묘하고 근본적인 이유가 있습니다 내가 암시하는 걸 보니? 그것은 첫 번째 기사에서 설문 조사에서 얻은 것 또는 귀하가 말하는 위험에 대해 생각하는 방법입니다 그들은 인공 지능 전문가들에게 인간 수준 AI 두 번째 기사에서 논의 된 설문 조사에서 구체적인 날짜를 제시하고 AI 전문가에게 확률 그들은 그때까지 인간 수준의 AI가있을 것이라고 생각했기 때문에 거의 모든 AI 전문가들은 인간 수준 AI가 없을 것이라고 생각합니다 2050 년까지 인간 수준의 인공 지능이 존재할 확률은 10 % 정도라고 생각한다 정확히 말하자면, 우리가 위험성을 논의 할 때 실제로 그런 원자력 발전소를 확률 론적으로 생각하는 것이 중요합니다 폭발하지 않는 것이 원자력 발전소를 안심시키는 것만은 아니다

비록 그것이 폭발 할 확률이 1 %이라 할지라도 그것이 여전히 우려의 원인이라고 주장 할 것입니다 우리는 여전히 최악의 예, 우리는 가장 가능성있는 시나리오에 대해서만 묻는 설문 조사에 너무 많은 중요성을 부여해서는 안됩니다 다른 시나리오가 얼마나 가능성이 있는지 조사하는 설문 조사를 고려하는 것이 중요합니다 다행스럽게도 우리는 2015 년 인공 지능 회의에서 2 명의 주요 인공 지능 회의 전문가를 대상으로 1600 34 설문 조사의 질문에 답하는 352 너 옥을 조사해야 해

내가 보게 해줘 와우이 설문 조사는 인공 지능 전문가들에게 주어진 날짜에 대한 그래프를 그릴 때 인간 수준이라고 생각할 가능성이 얼마나되는지를 묻습니다 그날까지 눈이 올 것입니다 그리고 다른 전문가들의 곡선이 어떻게 생겼는지 보여줍니다 또한 빨간색으로 여기에 전문가의 예측의 집합입니다 그래프를 볼 때 중요한 것은 AI 전문가의 양 그렇지 않다는 점에 유의해야합니다

전문가가 모든 전문가를 대표하지 않는다는 것을 의미하기 때문입니다 하나의 전문가에게 큰 중요성을 줄 때마다 엄청난 선택 편견이 있습니다 그럼 집계를 살펴 봅시다 전문가에 따르면 50 %의 확률로 2060 년까지 인간 수준의 AIS가 도착할 것이므로 시간이 좀 걸릴 것입니다 전문가에 따르면 수십 년 만에 인간 수준의 AI가 시나리오의 가능성이 더 높습니다 그러나 위험의 측면에서 우리는 또한 덜 가능성있는 시나리오에 관심을 가져야합니다

그들은 또한 2025 년까지 인간의 눈이 10 % 확률이 될 것이라고 말합니다 곧 그렇게 될 것입니다 예, 그렇습니다 10 %의 폭발 가능성으로 핵 계획을 다시 무시할 수 없을 정도는 아닙니다 아직 지어지지 않았다

인간 수준의 인공 지능은 원자력 발전소보다 훨씬 더 폭발적 일 수 있습니다 우리가 내 채널에서 길게 토론 했으므로 로버트 화성과 마찬가지로 인간의 수준에서 나는 AI 안전에 막대한 투자를하지 않으면 인류에게 위험의 존재를 안다 인간 수준의 인공 지능은 인류를 파괴 할 수 있습니다 적어도 닉 보스톰 (Nick Bostrom)이 그의 슈퍼 인텔리전스 북에서 끔찍한 사건을 발견했다 인공 지능이 초인적 인면 기본 시나리오 인류 좋습니다

그러나 10 %는 전문가의 예측입니다 그들이 이것에 대해 얼마나 옳은가? 나는 전문가들이 과거에 매우 진지한 예측을했다는 것을 의미한다 그들은 마빈 민스키 (Marvin Minsky)가 인간 수준의 인공 지능이 1970 년대 그는 과대 평가했다 진행 속도는 있지만 예측 오류는 항상 우리의 미래 진전으로 인한 것이 아닙니다 사실 최근에 예를 들어 2015 년 설문 조사에서 그 반대가 더 자주 나타나는 것 같습니다

전문가들은 우리가 눈이 이동의 게임에서 인간보다 우위를 점하는 데 12 년이 걸릴 것이라고 예측했습니다 그러나 몇 달 후 알파 조는이 세돌을 이겼다 인간 수준 AI에 대해 똑같이 잘못되었다고 가정합니다 이는 2 년 내에 눈이 인간 수준에 도달 할 가능성을 배제 할 수 없음을 시사합니다 나는 전문가의 신뢰할 수없는 것이 불확실성이 추가 된 것으로 간주되어야한다고 생각한다 인간 수준의 AI에 대한 전문가 예측 분포는 종 모양처럼 보입니다

그런 다음 추가 된 불확실성은 곡선을 평평하게해야합니다 그러나 이것은 극단적 인 사건의 확률이 증가한다는 것을 의미합니다 전문가가 신뢰할 수 없기 때문에 그렇습니다 우리는 사실 가까운 미래에 AI의 가능성에 대해 더욱 염려해야합니다 인간 레벨 AI의 10 % 확률 대신 2025 년에 우리는 인간 수준 AI의 10 % 확률을 2022 괜찮아 그러나 이것은 인간의 수준에 도달하는 것을 상상하기가 매우 어렵습니다

눈에는 어떤 종류의 실제 지성이나 의식이 필요하지 않습니까? 그리고 에너지 소비는 어떨까요? 인간의 두뇌는 매우 효율적입니다 컴퓨터가 인간의 두뇌만큼 효율적일 수 있습니다 인간 수준의 인공 지능을 얻으려면 엄청난 장애물이 있습니다 그러나 연구는 하드웨어와 소프트웨어면에서 모두 인상적인 속도로 진행되고 있습니다 예를 들어 하드웨어 측면에서 보면 소위 Akuma의 법칙에 따르면 단일 계산의 에너지 소비는 감소하고 있습니다 지수가 18 개월마다 2로 나뉘며 분산 컴퓨팅 및 데이터 스토리지가 아니라면 마비 된 혁신으로 이러한 추세가 이어질 수 있습니다 그렇다면 소프트웨어 측면에서 우리는 어떤 종류의 획기적인 발전이 필요하지 않습니까? 아마 소프트웨어 도전을 이해하는 것은 어렵습니다

이 신문의 보험 1950 종이로 돌아가는 것이 유용합니다 그는 인간 두뇌의 복잡성의 상당 부분이 인간의 지능 정보에 도달하는 데 중요하다고 제안했다 그러나 인간의 뇌에는 약 100 억 회의 시냅스가있다 그 중 1,000 명이 인간 수준의 지능에 필수적이라면 인공 지능은 인간 수준의 최소 1 테라 바이트 크기 여야합니다 오늘날 대용량 영역의 크기는 일반적으로 기가 바이트 순서이며 최대 AIS 천천히 1 테라 바이트에 도달하는 것으로 보입니다

이는 복잡성면에서 우리는 곧 인간 수준의 지능에 필요한 것이 무엇인지 알게 될 것입니다 여전히 인간의 눈에 인간의 수준에 도달하기에 충분하다고 상상하기는 어렵습니다 나는 우리가 그 눈을 훈련 할 필요가 없다는 뜻인가요? 네 확실합니다 그러나 필요한 데이터의 상당 부분은 인간의 수준에 충분히 도달하고 I Wikipedia를 반복해서 읽고 과학 youtube 비디오를 볼 수있었습니다 이 데이터에 노출되는 것은 한 가지이지만, AI가 실제로이 데이터로부터 학습 할 수는 있습니다 다시 진짜 지능으로 인도 할 수 있을까요? 알기는 어렵지만 중요한 점은 많은 사람들이 AIS가 기계 작동을 수행하고 있기 때문에 믿을 수 없다는 점입니다 그들은 인간과 경쟁 할 수 없다

그러나 사실 기계 작동이 실제로 놀라움으로 가득 차 있습니다 작업이 복잡하기 때문에 인간이 예측할 수없는 결과를 초래할 수 있습니다 사실, 각 작업은 매우 간단합니다 그러나, 이와 같은 간단한 조작이 엄청나게 많이 수행됩니다 이것은 우리의 두뇌가 할 수없는 것이고 이것은 우리의 두뇌가 눈 계산의 결과를 예측할 수없는 이유입니다 즉, 우리를 놀라게 한 결과로 이어질 것입니다 Alan Turing은 그것을 훌륭하게 냈습니다

그는 기계로 인해 놀라움은 철학자와 수학자가 특히 싫어하는 잘못을 믿는 것입니까? 이것은 사실이 사실을 마음에 알리 자마자 그 사실의 모든 결과가 마음에 가져다 준다는 가정입니다 그것과 동시에 많은 경우에 매우 유용한 가정입니다 그러나 하나는 쉽게 그것이 거짓임을 잊어 버린다 이렇게하는 자연스러운 결과는 린 (Lynne)이 단순한 작업에서 미덕이 없다고 가정한다는 것입니다 데이터 및 일반 원칙의 결과 정확하고 따라서 우리는 거대한 눈으로 그들의 긴 시간을 할 수 있다고 생각하는 것에 대해 과신하지 않아야합니다

계산은 우리를 놀라게 할 것입니다 잘 사실로 최근에 녀석의 발달을 추적 해왔다면, 아마도 사진과 같은 사실적인 이미지에 놀랄 것입니다 YouTube 자동 자막 기능 및 Google 듀플렉스 전화 통화 당신은 내가 누구인지 알고 있습니다 나는 7 일 수요일에 테이블을 예약하고 싶습니다 7 명 4 명에게 좋은 사람들이 이기기위한 것입니다 수요일 오후 6시 수요일 같은 정말로 당신을위한 5 명의 사람과 같았던 선생님은 당신이 올 수있는 아래에있다 내일 평소에 얼마나 오랫동안 앉아 있어야합니까? 다음주 수요일 7 일

오 아니, 너무 쉽지는 않아 다시 전화 해 괜찮아? 오 나는 너를 강타 했어 다시 말하지만, 호출이 예상대로 진행되지 않는 많은 예제가있는 실제 호출이었습니다 그러나 보조자는이 경우 대기 시간에 대한 새로운 작업을 알기 위해 상황을 이해하고 상호 작용을 처리합니다

훌륭하게, 예 우리는 인공 지능의 잠재적 인 놀라운 발전을 위해 인간 수준의 추론 능력을 제공해야합니다 특히 우리가 논의한 모든 것을 고려해 볼 때, 인간 수준의 인공 지능을 2025는 1 %보다 큰 확률을 주어서 그것을 생각해 내야한다 1 %는 엄청납니다 특히이 인간 수준의 인공 지능이 얼마나 파괴적일까요? 이것이 내가 인간 수준의 AI의 위협을 진지하게 받아 들여 AI에 엄청나게 투자해야한다고 주장하는 이유입니다 안전 이봐,이 비디오를 크게 즐겼 으면 좋겠어 감사합니다

항목에서 옥 그녀의 YouTube 채널은 최고의 것들 중 하나이며 물론 물리학에 관한 그녀의 비디오입니다 그녀의 배경은 정말 훌륭하지만 컴퓨터 과학 아이디어에 관한 더 많은 비디오를 강력하게 추천합니다 입자, 특이점이 하나 있는데 기계 학습 초과 검색 또는 최적 정지 문제에 대한 동영상도 있습니다 나는이 비디오를 매우 추천하고 또한 Jade의 채널에서 비디오를 만들었습니다 이는 외삽 된 버전의 가상 민주주의를 시뮬레이션하여 가치 로딩을 구현하는 실용적인 해결책입니다 트롤리 문제에 직면 해있는자가 운전 차량의 경우 이전 동영상의 댓글로 돌아 오기 전에 인간 레벨 AI를 다루는 방법과 특히 값을로드하는 방법에 대해 작성한 기사를 다시 강조하고 싶습니다

아주 아주 어려운 문제입니다 나는 강력히 추천한다 이 생각에 조금 관심이있는 사람이라면이 종이를 읽어야합니다 내가 이제까지 쓰는 중요한 것 – komono에 관한 것 의견 티켓은 달콤한 라 비다 솔루션 자동 그래서 가난한 선교사에 관한 우리의 쿠 모가 여기 무토로 열을 계획하는 것은 아닙니다 사무엘 제네시는 끝이 없습니다

Veronica qf9 hace 때문에 가능성 우나가 8 살일거야 아니, 이쪽은 그들이 기술 커뮤니티의 특별한 이유로 비 사과 해제에서 꽤 멋진 조류로 보이는 것은 무엇인가? 개개인이 그렇게 높은 패스의 씨앗을 가지고 있다면 섹션이 아니라면 바닥을 방문 할 수 있습니다 오 소년 네 Somos de 요리 a / c 힘 끝은 여기에서 끝내지 않는다 새크라멘토가 엄마 한테 와서 너에게 와서, 나는 어떤 사람들을 말할거야

센티넬 – 케비 Christoph Michelle 장군은 비디오를 놓치지 않습니다 그래서 내가 너라면 너는 뚱뚱한 살인자 야 격리가되면 쉽게 얻을 수있는 냄비 요리법 정말로 냉담 했니? 미디어 더 많은 캐릭터 그래, 나는 7 명의 남자들의 어린 충만한 입장에 대해 네가 빚 졌어 그를 반대하라 교육이 없었다 드라 코니 안은 너무 초기의 불꽃이었다

합격으로부터의 의무 숫자에 대한 의무 우연히 화상 X X 열려 있지 않거나 짧은 1 피니시 부인 포탄 껍질을 벗기 더하기 개인 하지만 나는 MPG 외과 환자들에게 병이났다 심하게 독특한 큐폴라 물 표시 키워드 재간 있는 컴퓨터가 영국에서 그렇게 평온한 상태를 유지했다 현금 위스키라고 말하면 안되요 일

예 쿠폰 그냥 잠깐 만요 Kinnaman은 Domini가 보증하는 제품입니다 네가 냄새를 맡으면서 Benishek이 너를 많이 얻는다 과거는 나중에 사람 역할에 beaucoup을 제공합니다 당신이 우리를 알고있는 경우 포섬

오 상황 Symington 발가락 불공정 감옥을 통해 일부 쿠폰은 PTA에 갈 때 결정을 이행하지 못합니다 시간 P가있는 전화 번호부입니다 너는 노인을 안다 잠정적으로 주어진 필요성은 11 명의 새로운 CEO 날

고위 Danone이 J가 될 악마 야하지만 2005 PK를 추적하여 소스가 기술을 제공합니다 나중에, 영원한 결합 205 가서 진 퐁 세계, 당신은 educativa precook toka 알아 – 아, 그녀는 실제로 너희들에게 곧 내가 그렇게 말하게 될 것을 알게했다 그래서 나는 컴퓨터에 표시됩니다

당신이 바쁜 효과적인 nopon을 요청하는 경우 당신은 그가 또한 Appa 조치를 취하지 않거나 제한하는 것을 읽었습니까? 컴퓨터가 바로 YouTube 감자에 있습니다 나는 훌륭한 책이다 Mucho 아, 비디오 youtube poop world 오늘도 넘어 지더라도 포뮬러가 당신을 걷게합니다

그래, 유닉스에 관한 YouTube 현상의 도시 네 – 총 그물 오늘 밤 한 명의 이케아가 단 하나의 돌처럼 딕텀 아니야? 망할 단순한 슈퍼 여기 그들은 페이스 북에서 거시기에 학교에 간다 당신이 정말로 밟고 싶다면 그들은 짹짹 YouTube에 대한 링크에 와서 Ricky Satya와 함께 선망의 직업에 공훈을 느낀 Martinez의 당신 발 우리는 당신이 광대를 할 수 있다고 말했고, 당신도 알다시피

그것은 여기에 일반인처럼 청결한 공기가 당신의 존재를 거스를 수 있습니다 WebP는 중요한 부패 때문에 가장 인기있는 그룹 멋진 콘텐츠를 망쳐야 만하는지 알고 있습니까? 나는 재미있는 옵션을 가정합니다 세푸 쿠 미자 매주 개인 커먼 켄터키처럼 보완하여 Bitcoin에 예측을 전달하십시오 성장을 추측하다 CL 외관 인근 루이 행동 모뎀 우리는 제니가 극적으로 선생님이 된 소녀가 소녀의 동기를 불법으로하는 걸 알고 있습니다 시원한 숀 오늘 밤에 볼 수있는 다른 애국가합니다

우리는 전형적이다 습식이라면 퀴니에 새 바늘을 꽂아두면 남자도 좋아할 것입니다 Dooku는 링컨에게 돈을 내지 않을 것입니다 교수님, 왼쪽 다리가 터키에서 $ 25를 벌고 계시다는 것을 알려주세요 네가 그렇게 행복한 엄마를 특히 행복하게 해줄거야, 알지? 예, 그들은 파티입니다

Alice muna 그의 노트를 잃어 버렸다 허튼 소리에 인간의 프로필은 실제 수동 컴퓨터입니다 마피아 그는 지속적으로 알파를 격퇴 도메인 폴 Pot Zotoh Malloy Siana kotelnyk 와우 와우 말 안해요 오래 된 트랙을 찾고 또한 트로피에 토이 싸이 오 드 tousser 지옥 예 소용돌이 계절풍은 미디어를 연결하고 관심사를 말한 후 바보 같은 단어 소년을 끌어 당깁니다 저는 빈 파도에 전문성을 증명할 것입니다

거룩한 불의 오디션 – a 옐친에서의 호텔 호텔 결정 아내에게도 필요성 한 번 더 더 한 번 더, 당신은 루가노 자미슨, 자백하다 미적분은 주로 누나 근처에있는 하나님의 숨바멍 근처에서 정확히 낙타가 될 것입니다 남자, 그녀는 나 자신에게 꽤 선택하는 것처럼 보였다 – -41 년 프로 – 폰 년, 특히 ​​유럽에서 짧게는 카마를 이끌어 낸다 너는 협조한다 – 너는 또한 적용했다 – Yahoo! 요소 배열 메트로폴리탄은 뽀빠이가 인류를 근절하지 않는다는 것을 압박한다 글쎄, 더 이상 전력 비율과 모든 복제본을 포함해야합니다 에피소드를 허용하지 않습니다 – 컴퓨터 보안에 의해 마사지 영상 통로 무릎 패드 챔피언 Pasi 아내

네, 다이 니마 소피아 하나 더 flippy 나는 작년에 비디오 클립이 끝난 것을 놓치지 마세요 그 선수는 아직 아무것도 없다 혼란스러워하지 마 조이가 포기하지 마라 나는 낙천주의 자다 나는 효과적으로 진급하고있다 Dante Joseph failure 우리 모두 점점 더 많은 사람들이 부탁을 받는다는 것을 알지 못했습니까? 그 또는 그녀는 세속적 인 강력한 9u 확률을 드러내기만합니다

당신은 새로운 사회를 가질 수 있습니다 Ania mmm을 지정하지 마십시오 그는 아주 유능한 전문 대학조차도 초점을 맞추는 정신병 치료 전문가 인 Monica Civic의 설명을 매우 추가하고 있습니까? 전기 Rhodesia 일은 Eliza 질문 20 아니 젤다 없음 Nagumo는 버몬트가 너의 인류를 특징으로한다고 생각해 800 me 간장과 이전에 박해받는 비디오 Philip Oakey needs 학습 부분 아이다 호 용기 팔머가 나에게 병리학에 뭔가를주지 말아라

틀림없이 숨겨진 도시 FL을 추월한다 분지의 빈스는 베르가 모의 일반적인 포섬 종말 태도이며 결정적인 영향력을 행사합니다 불가능하기 때문에 일반적인 문제를 유발할 수 있습니다 집에 와서 봐 그들은 워터 프론트에 의한 방을 당신에게서 일상적으로 노크 노크 나는 음식에 대한 괜찮 았어

음악이 다르게 느껴진다는 말을 어떻게 들었습니까? 그렇다면 Lucia가 어떻게 Jose Videocon을 통해 열쇠를 얻을 수 있는지 집에 와서 내가 운이 없다면 특별한 결과를 낳을 것입니다 오라클 강도 우리가 열쇠를 환영합니다 2 차 슈퍼 쿨은 혼란 스럽다 압살 론 사실은 행동입니다 카메라 이동성은 색상 부재로 인한 법령 나는 아름다움을 알아 차 렸지만 너무 슬 you다 rotisserie 선형 부분 설문 조사 Egidio 22 에피소드시 교외에서 텔레파시가 더 저렴할 수 있음 그는 베컴 세비야가 전설적인 수학자 John von 노이만 (Neumann)은 이것을 설명하기 위해이 문구를 처음으로 사용했습니다

그가 기술의 진보하는 가속화가 필수적으로 다가오고 있다고 말한 멋진 날 우리가 알고있는 인간 문제가 넘어서는 인류 역사에서의 특이점 AI 전문가의 70 % 이것이 적어도 중대한 문제는 아니라는 점과 AI 전문가가 사회가 AI 안전성 연구 우선 순위 지정 잘 48 %의 사람들이 현재보다 우선 순위를 정해야한다고 생각하며 11 %만이 우선 순위를 정해야한다고 생각합니다 그래서 우리는 인공 지능 전문가들이 미래가 무엇인지에 대해 매우 불분명하지만 그들은 치명적인 위험이 가능하며 이는 중요한 문제입니다 AI 안전성 연구를 더해야합니다

A.I. Artificial Intelligence (2001) Cast – Then And Now 2018

AI 인공 지능 (2001) 캐스트 – 그럼 그리고 지금 2018 가입 버튼을 클릭하여 우리 채널을 구독하십시오 벨 버튼을 클릭하고 우리 채널의 최신 업로드를 즐기십시오

오, 베이비 나는 미쳤다 네가 나를 그렇게 나쁘게 지낸거야 미트볼을하면 발이 모두 넘치게됩니다 너는 나랑 잘 풀릴거야 나는 너를 쓰러 뜨릴 수있어 너를 데려가

횡단 보도 대신 오, 베이비 그래서 나는 미쳤다 내 아기 그들은 자연 속에있었습니다 그래서 나는 미쳤다 하지만 너는 우리가 너의 발걸음을 돌려 줬어야 했어 너는 날아간다

나는 너를 데려다 줄 권리가있어 빌어 먹을 블록

AutoML Vision and Designing Product Experiences at Google (Google Cloud AI Huddle)

[음악 재생] PUNEITH KAUL : 우선 Cloud AI Huddle에 오신 것을 환영합니다 내 이름은 Puneith입니다

클라우드 AI 엔지니어링 팀에 있습니다 AI 개발자 옵션에 중점을 둡니다 그래서 다시 당신에 관한 것입니다 나는 당신이 두 개의 링크를 체크 아웃하도록 초대하고 싶습니다 bit

ly/aihuddle, TLDR에는 AI Huddle이 있습니다 개방적이고 협업적인 개발자 우선 포럼, 이는 Google AI 전문 지식에 의해 주도됩니다 그리고 이것은 Google 직원과 소통하는 포럼입니다 그리고 우리는 당신의 AI 문제를 해결하도록 도울 것입니다 그리고 두 번째 것은 우리가 지난 주 발표되거나 발표 된 클라우 사이 근무 시간은 다음과 같습니다

여전히 조종사입니다 그리고 그것은 당신이 연결할 수있는 프로그램이나 VC, 가상 컨텐트, Google 직원과 함께 문제에 대해 이야기하십시오 당신은 직면하고 있습니다 차단 해제하는 가장 좋은 방법입니다 정말 빠른 방법으로

그리고 나서 우리의 전체 클라우드에 대해 빠르게 외쳐라 AI 커뮤니티 어제 현재 회원수는 950 명입니다 그리고 다시 한 번 당신에게 큰 소리 쳐요 열의 때문에 정말 고마워

그리고 단지 일종의 기세를 계속하십시오 AI 여행에서 차단 해줄 수 있도록 도와주세요 그것으로, 나는 그것을 Shantanu에게 넘겨 줄 것이다 Shantanu, 가져가 SHANTANU PAI : 안녕하세요

나는 샨타 누다 Brian이 놀랍지 만 빠른 소개를 할 것입니다 나는 우리가이 모든 것을 빨리 처리 할 수 ​​있는지 모른다 그러나 Brian Kobashikawa는 수석 인터랙션 디자이너입니다 Google의 Cloud AI 팀에서 그리고 오늘 볼 워크 플로 Brian이 디자인했습니다

그래서 기본적으로 처음부터, 처음부터, 0에서 오늘 볼 수있는 것까지 가고, 그것은 놀라운 여행이었습니다 그리고 우리는 최근 AutoML Vision을 출시했습니다 그래서 당신은 어느 정도까지, 우리가 실제로 디자인 결정에 어떻게 도달했는지 Brian은 이전에 Google 소재 디자인 팀에서 일했습니다 그리고 그 전에는 여러 미국 기관에서 일했고, 리드 비주얼 디자이너로서의 여러 해를 포함하여 야후 메신저 및 야후 메신저

너에게, 브라이언 BRIAN KOBASHIKAWA : 좋습니다 음, 고마워 모두들 나들을 수 있니? 괜찮아 그래, 그래

나는 오늘 밤 의제가 가고 있다고 생각한다 상당히 간단하다 AutoML Vision에 대한 소개로 시작하겠습니다 사무용 겉옷 그런 다음 데모에 들어갑니다

희망 사항은 라이브 데모입니다 그 다음에, 나를 때리는 부분 내 관점의 두드러진 부분으로 사용자 경험이나 UX에 대한 깊은 이해입니다 결과적으로 이야기는 아마도 아마 이전의 AI와 조금 다르다 그것은 매우 집중하고 있다는 점에서 만남 Google에서 제품 경험을 어떻게 디자인했는지, 특히 초기에 떠오르는 AI 공간 우리가 무수한 UX 문제를 해결하기 위해 어떻게 노력하고 있는지 이러한 경험을 통해 존재합니다 먼저, 소개부터 시작합시다

AutoML Vision에 그리고 그걸 시작하기 위해, 우리는 컴퓨터에 대한 사명을 가지고 있습니다 비전 그룹 전반 이는 개발자가 차세대 애플리케이션을 개발하는 데 도움이됩니다 컴퓨터 비전 기반 자치 솔루션 여기이 파란색 막대는 작업 영역을 나타냅니다

우리가 집중하고있는 것은 우리의 예비 훈련 된 기계입니다 학습 API 및 AutoML AutoML 존재 – 세 가지 제품이 있습니다 불과 몇 달 전에 Google Next 2018에서 출시되었습니다 그것은 AutoML Vision, AutoML 자연 언어, 및 AutoML 번역

ML API 및 AutoML의 기초 기술과 연구 그리고 수십 년간의 Google Machine Perception 팀에서 문제가 발생했습니다 TensorFlow 및 클라우드 호스트 TPUs에 대한 투자 이러한 제품의 개발을 주도하십시오 차례 차례로 다양한 다른 유스 케이스를 몰 수있다 그리고 이러한 유스 케이스는 매우 다양하거나 광범위한 영역에 걸쳐 있습니다 시력의 경우와 마찬가지로 에너지에서부터, 풍력 터빈에서 부식 지점을 감지 할 수있는 것처럼, 예를 들어 소매업에 이르기까지 제품 카탈로그가있는 곳 사진의 물체를 인식하려고합니다

해당 카탈로그와 일치하는 그래서 그것이 나온 것처럼, 사전 학습 된 기계 학습 Vision API 인 API는 실제로 많은 유스 케이스를 다룹니다 그래서 그것은 pretrained 모델입니다 그것은 다양한 특징을 가지고 있습니다 cloudgoogle

com/vision에서 자세한 내용을 확인할 수 있습니다 그러나 여기에 다양한 기능이 있습니다 아래쪽 4 개는 오른쪽 하단에 필기체 OCR, 제품 검색, Object Localizer 및 웹 탐지 7 월에 다음 2018 년에 발표되었습니다 하지만 다양한 사용 사례가 있습니다 이러한 기능은 광학 문자 인식, 스캔 및 전송 가능 대량의 종이 문서, 라벨, 로고 감지, 일반적인 색상과 같은 이미지 속성 또는 지배적 인 색

그래서 사전에 준비된 Vision API는 많은 것을 처리 할 것입니다 이 특별한 경우 중 또한 클라우드 웹 사이트의 ML API 섹션으로 이동하면 Video Intelligence API가 있다는 것을 알 수 있습니다 자연어 API, 번역 API가 있습니다 번역 API는 실제로 잠시 동안 사용되었습니다

그러나 문제는 찾고있는 데이터가 또는 당신이 가고있는 목표 다른 도메인에 속해 있고 당신 이러한 매우 구체적인 개념을 지원할 필요가 있습니다 반드시 Vision API에서 다룰 것인가? 그리고 아마 데이터 과학자가 올 수있는 대답 일 것입니다 와 함께 그들이 자신의 컴퓨터 비전을 만들 것입니다 모델 그리고 여기까지, 우리는 매우 거칠게 다른 단계 그 모델을 구성하는 것 그러나 그런 식으로 다양한 질문이 있습니다

데이터 과학자들이 요구할 것입니다 그리고 이것들이 떠오르는 질문들입니다 UX 연구 및 기타 이니셔티브에서 우리가 과거에 해왔 던 예를 들어 데이터 전처리를 할 때, 당신이 물을지도 모르는 질문들 중에는, 어떤 전처리 기술을 사용해야합니까? 내가 모델의 다음 몇 단계로 넘어갈 때 디자인 및 이러한 매개 변수를 조정할 수있는 질문 그 사용자들이 물어볼 것은, 음, 어떤 기술을 사용해야합니까? 심오한 학습을하고 있다면 어떤 아키텍처인가요? 내가 선택해야하고 어떤 종류의 하이퍼 파라미터 나는 튜닝해야 하나? 그런 다음 평가 단계로 넘어 가면 이 목표를 달성하기 시작합니다 그 데이터를 분석 할 수 있다는 점에서, 어떤 측정 항목이 가장 중요하거나 가장 중요한지 이해하기 내 목적과 관련이있다 내 모델이 실제로 잘 작동하는지 어떻게 알 수 있습니까? 내 데이터를 실제로 향상시킬 수있는 방법은 무엇입니까? 내가 재 훈련해야한다면, 실제로 더 나은 결과를 얻을 수 있을까요? 그리고 배포를 위해 주위에 질문이 있습니다

어떤 인프라를 사용해야합니까? 대규모로이 모델을 제공 할 수 있습니까? 또는 전반적인 대기 시간 목표를 어떻게 달성합니까? 그런 다음이 업데이트 프로세스가 있습니다 그런 다음 이전 단계로 돌아갑니다 그래서 당신은이 질문들을 여러 번해볼 수도 있습니다 이제 데이터 세트를 검토하고 개선하기 시작합니다 그리고 당신이 길을 따라이 질문들에 대답 할 때, 니가하는 것처럼 꽤 비싸기 시작할 수있어

이 모든 다른 경로를 선택하기 시작합니다 어떤 조합이 가장 잘 작동하는지 확인하고 결과 그리고 나서 언제든지 당신이 목표를 바꿀 것이라고 말하면됩니다 또는 주위를 이동하면 많은 경우 처음부터 다시 시작해야합니다 AutoML을 사용하여 살펴본 점 모든 복잡한 단계를 밟을 수 있습니다

ML 모델을 만들고 어떻게 든 자동화 할 수 있습니다 우리가 보여줄 방법은 우리가 사용자 인터페이스에서 어떻게 표시되는지 확인하십시오 그러나 AutoML의 목표는 무엇입니까? 요점은 실제로 수집하는 데 집중할 수 있다는 것입니다 올바른 데이터를 파악하고 올바른 비즈니스를 정의 할 수 있습니다 목표를 갖고 있으며 여전히 모델을 가지고 있습니다

생산에 배치 할 수있는 충분한 품질 워크 플로가 그 다음에 나타납니다 증류수가 될거야 일부 교육 이미지로 데이터 세트 작성 및 레이블 이를 AutoML에 전달하면 모델 교육의 전 과정을 수행하고, 모델 배포 및 Google에서 모델 제공 구름 그리고 나서 결국 간단한 REST 인터페이스가 완성됩니다

그러한 유형의 예측을하기위한 것입니다 그렇다면 AutoML은 현재 어떤 유형의 기능을 사용하고 있습니까? have 또는 AutoML Vision은 현재 가지고 있습니까? 글쎄, 우리는 단일 레이블 분류가 있습니다 이 경우 이미지가 있어야 할 수도 있습니다 여러 클래스 중 하나 일뿐입니다 여기에 우리가 가져온 예가 있습니다

다른 구름을 구별하려고하는 곳입니다 전체 물리적 특성에 기초하여 서로 유형을 짓는다 또는 이러한 구름의 시각적 속성 그리고 이것은 이러한 입력 중 하나 일 수 있습니다 날씨가 어떤지를 잘 보여주기 위해 같이 될 것입니다

그것의 다른면은 다중 라벨 분류 일 것이다 여기서 이미지는 여러 클래스를 가질 수 있습니다 그래서 한 가지 예가 아마도 당신 일 것입니다 이 거대한 라떼 아트 데이터베이스를 만들고 싶습니다 그리고 당신은이 모든 다른 지표들을 가지고 있습니다

이 라떼 아트가 가져야 할 속성의 유형 그리고 언제 어느 시점에서 당신은 – 언제 사람들이 라떼 아트의 새로운 이미지를 업로드합니다 그들은 자동으로 분류하고 쉽게 검색 할 수 있습니다 그리고 모든 것 그러나 이것은 당신이 반드시 깃털이 라떼 나 에칭보다 우승하기를 원한다 모카를 이기기 위해

하지만 오히려 그들은 마치 공통 속성을 공유합니다 두포에서 일어나는 일은 AutoML이 실제로 AI를 사용하여 인공 지능을 만듭니다 우리가 의미하는 바는 우리가 실제로 소개하는 것입니다 데이터를 AutoML에 제출하면, AI 에이전트가 들어 와서이 모델을 만들 수 있습니다 깊은 학습 기술을 사용하여 해결할 최적의 아키텍처와 하이퍼 매개 변수 집합을가집니다

귀하의 특정 비즈니스 요구 그리고 그것이 4 월에 돌아온 것처럼, 나온이 기사가 나왔다 이 일본어 연구원은 라면의 사진을 찍을 수 있습니다 그리고 Ramin Jiro라는 가게가 있습니다 40여 곳이 있습니다

이 연구원이 할 수 있었던 것은, 제가 믿습니다 각 상점에서 1,000 장의 사진 AutoML에이를 전달할 수 있어야합니다 약 24 시간 동안 훈련 시키십시오 모든 것이 끝나고 끝나면 어떤라면 가게가 왔는지 예측할 수있었습니다 95 %의 정확도와 같은 것에서 94 포인트 뭔가의 퍼센트 또는 94 점의 퍼센트 퍼센트 정도

흥미로운 사건이었습니다 왜냐하면 저는 나 자신은 거대한라면 팬이다 그래서 나는 – [웃음] 인공 지능에 관한 기사로 당신이 침을 뱉는 것은 매우 드뭅니다 하지만 그것은 부부 중 하나가 될 것입니다 하지만 어쨌든

UX가 참여하기 시작하는 곳 사용자 스토리를 만드는이 모든 과정 및 시나리오 그래서 우리는 간단한 것으로 시작하겠습니다 그럼이 사용자부터 시작하겠습니다 제인 한테 전화 할게 그녀는 야생 생물 보호 구역의 개발자입니다

Cloud Vision API에 익숙한 것일 수도 있습니다 그러나 그녀는 일반적으로 일반적으로 API를 구현하는 것에 익숙합니다 그녀는 많은 양의 이미지를 가지고 있습니다 그러나 그녀는 직접적인 ML 경험이 거의 없습니다 그녀는 ML 열혈 팬 중 한 명입니다

그리고 불행히도,이 사진은 조금 씻겨 냈습니다 하지만 그것은 날지 못하는 새의 작은 실루엣입니다 바로 거기 그래서 그녀가하고 싶은 것은 조류 분류자를 만드는 것입니다 그래서 그녀는 경험을 향상시킬 수 있습니다

그녀의 조류 관찰 앱 어쩌면 일어나는 일이 그녀는 Vision API, 사전 교육 된 Vision API, 그녀의 많은 라벨 기술이나 라벨 작업을 처리 할 수 ​​있습니다 그러나 에뮤를 구별 할 수있는 경우 화식 조로부터, 레어에서 타조로, 그녀는 그 문제를 해결할 더 많은 커스텀 모델을 만들고 싶습니다 그래서 그녀가 이것을 할 수있는 방법은 무엇입니까? 음, 몇 가지 다른 접근 방법이 있습니다 하나는 그녀가이 오즈 오브 마법사 방식을 사용할 수 있다는 것입니다

사용자가 이미지를 제출하면 그녀는 은밀하게 이 이미지들을 가져 와서 인간 라벨링 풀에 보내라 어딘가에 들어가서이 이미지에 라벨을 붙입니다 그것을 돌려 보내 그런 다음 데이터베이스에 의해 색인이 생성됩니다 그러나 이것이 어디에서 시작되는지 알 수 있습니다

장기적으로 모든 것을 확장 할 수있는 것은 아닙니다 사용자 수에 따라 비용이 증가합니다 증가하다, 그녀가 확장하기로 결정하면 그녀는이 4 가지 수업을 넘어서서 그녀가 어떻게 상호 작용 하는지를 복잡하게 만든다 이 라벨링 서비스 그녀가 몇 초 만에 결과를 원한다면 몇 분 또는 며칠이 아닌 그녀에게 맞는 솔루션이 아닐 것입니다

또 다른 가능성은 그녀가 Vision API를 사용할 수 있다는 것입니다 그러나 앞에서 언급했듯이이 카테고리 반드시 충분히 구체적 일 필요는 없다 그녀의 유스 케이스를 만난다 세 번째 옵션은 몇 개의 슬라이드를 다시 가져온 것입니다 그녀는 모델을 쓸 수 있다는 것입니다

그러나 그녀의 인물 묘사에 언급 된 바와 같이, 그녀는 ML 전문가가 없다 그 모델을 만드는 것 그래서 우리가 궁극적 인 해결책으로 제공하는 것 Google이 기본적으로 할 수있는 AutoML Vision을 사용하는 것입니다 자신의 이미지와 라벨을 모델로 훈련 시키십시오 그래서 이것이 우리가 데모에 들어가는 곳입니다

그리고 잘하면,이 작동합니다 그래서 셋업으로 birds라는 폴더를 만들었습니다 왼쪽에 그리고 그 안에 네 개의 폴더를 만듭니다 내가 원하는 다른 레이블들로 그런 다음 각 폴더 내에서 나는 단지 내가 원하는 모든 이미지를 던졌다

타조 또는 emu 또는 레어를 표시합니다 그래서 내가 여기 갈 수 있다면 – 나는 여기 갈거야 그리고 이것이 AutoML Vision 인터페이스입니다 이것은 내가 새로운 데이터 세트를 만드는 것입니다 그래서 나는 여기에 가서 말할 수있다

좋아, 나는이 새들을 불러 줄 것이다 그리고 여기에서 내 이미지를 가져올 수 있습니다 세 가지 옵션이 있습니다 그래서 하나의 옵션이 나의 목적에 적합한 옵션입니다 기본적으로 내 컴퓨터에서이 이미지를 업로드하는 것입니다

여기서 나는이 파일들을 선택한다 그리고 나는 말할 것이다, OK 이 새들을 가져갈 게요 [INAUDIBLE] 그리고 그렇게 팝니다 우리가 가진 다른 주요 옵션 Google Cloud Storage에서 CSV 파일을 선택할 수 있다는 것입니다 그리고 이것은 특히 유용 할 것입니다 지나치게 많은 양의 이미지가있는 경우, 이 경우 Google Cloud Storage의 엄청난 수의 이미지를 얻기위한 도구 귀하의 데이터 세트에 다른 가능성은 당신이 교육 유효성 검사 테스트를 제어하려고합니다

split으로 지정할 수 있습니다 CSV 파일 자체 내에서 어떤 버킷으로 들어가야하는지 여기에 약간의 코드가 있습니다 그 검색 구문이 어떻게 작동하는지 설명합니다 이미지의 위치에 대한 경로가 있습니다

Google Cloud Storage에 있습니다 그리고 쉼표로 그 뒤에옵니다 그 다음에 레이블을 붙이십시오 그런 다음에 훈련, 검증 또는 시험에서, 당신은 훈련, 검증, 또는 테스트 그리고 이것은 아마도 약간의 사용자를위한 것입니다

더 진보 된, 그것은 데이터 분할이 작동하고 그 주변의 우수 사례가 있습니다 그래서 우리는 반드시 그것을 표면화하지는 않습니다 이 시점에서 우리는 자동으로 분할을 처리합니다 그들이 지금 비워두면 그리고 세 번째 옵션은 나중에 이미지를 가져올 수 있습니다

그래서 그들은 기본적으로 빈 데이터 세트로 시작합니다 그리고 인터페이스 자체를 통해, 그들은 이미지를 던져 라벨을 붙일 수 있습니다 UI 내에서 수동으로 라벨을 지정하십시오 인간 라벨링 서비스를 이용하거나 또한 UI에 내장되어 있습니다 그리고 마지막으로 여기있는이 옵션은 기본적으로 분류 유형은 다음과 같습니다

기본적으로 단일 레이블 분류입니다 그러나 선택 사항으로 이 다중 라벨 분류 그래서이 시점에서 Create Data Set를 누르십시오 그런 다음 일정 시간 머문 것입니다 데이터 세트의 크기에 따라 다릅니다

그러나 나는 이것을 생각한다 약 20 ~ 30 분 정도 하지만 여기서 20 ~ 30 분을 기다리지는 않을 것입니다 왜냐하면 나는 정말로 많은 것을 가지고 있지 않기 때문에 그 시간 동안 말하기

그래서 내가 끝내게 될 것은 내가 단지 실제 생성 된 데이터 세트로 건너 뜁니다 그래서, 잘하면,이 작품 그래서 내 인터넷 연결은 하루 종일 괴롭다 그럼 우리가 보겠습니다 그래서 여기, 내 zip 파일을 업로드 한 후입니다

양식 작성을 통해 그리고 20, 30 분 후,이 브라우저에서이 브라우저에 나타납니다 그래서 가져온 모든 이미지를 볼 수 있습니다 여기에 그들과 관련된 레이블이 있습니다 그리고 내가 할 수있는 일은 특정 레이블로 좁힐 수 있습니다 여기에이 항목을 클릭하면됩니다

그래서 저는 화식 조로 그것을 좁혔습니다 그들은 여기있을거야 그리고 나는 내 타조를 본다 내가 할 수있는 일은 내가 갈 수 있다는거야 여기에있는 개별적인 이미지들에 대해서 말하자면, 이 특별한 이미지는 여기에 있습니까? 가설이 아니라면, 이것은 emu가 아니라고 가정 해 봅시다

그것은 실제로 타조였습니다 나는 여기에 가서 타조라고 말할 수 있는데, OK를 누르십시오 그런 다음 해당 데이터 세트를 업데이트합니다 그래서 하나씩 들어가서이 이미지들을 업데이트 할 수 있습니다 또는 여기에서 선택할 수 있습니다

그리고 당신은 클릭을 할 수 있습니다 – 여기를 클릭 선택 또는 다중 선택을 할 수 있습니다 여러 이미지를 만들고 레이블 버튼을 누르십시오 그리고 말하기 위하여이 심상의 대량 재 포장을하십시오, 예 : emu 여기에 모두 내장되어 있습니다 또한 라벨 목록을 처리하기 위해 제작되었습니다

따라서 여기를 필터링 할 수 있습니다 그래서 저는 화식 조로이 방법으로 걸러 낼 수 있습니다 또는 여기에서 select를 검색 할 수 있습니다 여기에 필터가 있습니다 그래서 그것은 존재를 향한 방향으로 향하게됩니다

100 개 정도면 수백 가지 레이블을 잠재적으로이 경우에 있습니다 Train 탭으로 이동하면, 이것은 다음 단계 일 것입니다 그리고이 시점에서, 보통 나는 제품에 대한 클릭 유도 문안이 요구된다 내가 새 모델을 훈련 할 수있게 해줘 그래서 나는이 사람을 클릭한다

그리고 저는 말할 수 있습니다 좋습니다, 이것이 제 모델입니다 그리고 한 시간 씩 훈련 시키겠다 예산은 매월 처음 10 개 모델에 대해 무료입니다 나는 또한 지정할 수있는 옵션이있다

더 많은 수의 계산 시간 우리는 나중에 할 것입니다 따라서 교육 요청을 제출하면 그것은 또 다른 시간 동안 머문다 이 경우에는 약 15 분에서 20 분 정도 걸렸습니다 그래서 이렇게 생긴 모델을 만들었습니다

오늘 아침 두 모델을 훈련 시켰습니다 사실, 이것은 이보다 약간 더 잘 수행되었습니다 그래서 내가 얻는 결과는 평균 정밀도는 0947입니다 그리고 내가 익숙하지 않은 사람이라면 이 특정 값에이 도구 팁을 살펴 보겠습니다

말하자면, OK, 무엇이 09라는 것을 의미합니까? 그리고 만약 여기에 10이 최대 점수라고한다면, 그래서 그것은 지금 꽤 잘 보이는 것을 의미합니다 나의 정확성과 회상은 훌륭하지만 위대하지는 않습니다 그래서 내가 할 일은 내가 택할거야

전체 평가를보고 무엇이 진행되고 있는지 확인하십시오 클릭하여 전체 평가보기 이 목록의 세 번째 탭 인 평가 탭입니다 여기에서 모든 라벨 패널을 살펴볼 수 있습니다 이러한 정밀도 리콜 그래프에 대해 자세히 살펴보십시오 그래서 점수 기준을 이것이 정확도 리콜 그래프에 어떻게 영향을 주는지 봅니다

1에서의 정밀도로 1 그래프에서 호출합니다 따라서 고급 ML 사용자의 경우 어떤 문턱 값이 가장 좋은 거래를 할 수 있는지 여기에서 볼 수 있습니다 정밀도와 리콜 사이 또는 그들이 리콜쪽으로 더 고정시키고 싶다면, 그들은 그것을 여기 위로 옮길 수 있습니다 [INAUDIBLE]만큼 위양성으로 더 많이 생성됩니다

그리고 내가 이걸 여기로 옮기면, 그러면 정밀함을 향해 더 고정시킬 것입니다 여기 아래에는 혼란 행렬이 있습니다 그래서 이것은 당신에게 4 x 4의 진정한 레이블을줍니다 예측 된 라벨 대 그리고 내가 여기 이것을 볼 때, 화식 조와 에뮤의 경우, 그것은 실제로 꽤 잘 수행했습니다

타조 들어, 확인을 수행 85 %는 좋지만 특히 좋지는 않습니다 그러나 레아 수업에서 정말 고생했습니다 그리고 타조와 레어가 꽤 혼동스럽게 보입니다 그리고 지난 며칠 동안 새들을 보았습니다

[웃음] – 그것들은 훨씬 작아 보이지만 실제로 레어처럼 보입니다 새와 그들은 다른 대륙 출신이다 나는 그들이 아프리카와는 반대로 남미 출신이라고 믿는다 그들은 타조처럼 놀랍습니다 그리고 그것은 제가 완전히 알지 못했던 것입니다

그래서 제가 여기로 가면 구체적인 정밀 리콜을 볼 수 있습니다 이 특정 레이블에 대한 곡선 그리고 진정한 긍정의 목록을 볼 수 있습니다 이 특별한 라벨을 위해 돌아왔다 그래서 이들은 모두 다른 레어입니다

그리고 위양성의 일부를 볼 수 있습니다 따라서 이것은 올바르게 식별 된 사진이 될 것입니다 레어처럼했지만 050 점수 한계를 넘지 못했습니다 여기서 지정 했어

그리고 여기 아래는 제가 가진 오 탐률입니다 그래서 이것들은 레어 (rhea)로 분류 된 것들입니다 이들은 타조 사진입니다 그러나 우리는 어떤 이유에서 건 레아를 예측하지 못했습니다 이 경우처럼 이것은 분명히 타조입니다

하지만 어떤 이유에서든 레알 레이블은 어떤 이유로 든 그것을 밖으로 날카롭게했다 그리고 그 이유가 무엇이든간에 이 모델이 어떻게 작동하는지에 대한 직감을 구축하십시오 이것들이 공식화되도록 허용하기 시작한다 흥미있는 후속 조치 모델을 개선하기 위해 다음에해야 할 일은 무엇입니까? 잠재적으로 할 수있는 한 가지 옵션 우리가 여기서 말하는 것은 기본적으로, 데이터 세트에 더 많은 이미지를 추가하려면, 이것은 아마 당신이 당신의 모델을 향상시킬 수 있습니다 내 라벨 통계를 보면 실제로 단지 몇백 개의 이미지 만 업로드했습니다

각 라벨에 대해 그리고 화식 조와 에뮤 (emu) 내 말은, 아마도 이걸로 충분할지도 모르지 꽤 잘하는 것 같습니다 하지만 타조에게는 400 개의 이미지가 있습니다 레어 (rhea)에는 200 개의 이미지 만있었습니다 아마도 레알 이미지를 추가해야 할 것입니다

내 측정 항목을 얻을 수 있는지 알아보기 위해서 내가 할 수있는 또 다른 가능성 이 이미지들 좀 봐주세요 어쩌면 내가 잘못 라벨을 붙 였는지 보지 이 이미지들 중 일부 이 경우처럼, 이건 마치

지상 진실은 타조입니다 그러나 이것이 실제로 레어라고 생각합니다 그리고 아마도 나는이 이미지를 잘못 간략히 살펴본 것 같습니다

내가 할 수있는 또 다른 일 여기의 이미지 탭으로 되돌아갑니다 내 레어 섹션과 기본적으로 이동 스캔하여이 모든 것이 있는지 확인하십시오 레어이고, 마찬가지로, 타조 섹션으로 간다 이들 중 어떤 것이 실수로 발생했는지 확인하십시오 그들이 정말로 타조해야 할 때 레어로 확인되었습니다

이것이 아마도 내가 할 수도있는 무언가 일 수 있습니다 아니면 내가 직장 동료에게 맡길 수있는 것입니다 어쩌면이 데이터 세트를 CSV로 내보낼 수 있습니다 이 파일을 오프라인에서 살펴보십시오 그것에 대해 갈 여러 가지 다른 방법이 있습니다

그런 다음 마지막으로 할 수있는 옵션 기본적으로이 모델에서 더 많은 계산 시간을 소비합니다 그래서 우리는 하나의 계산 시간만으로 그것을 훈련 시켰습니다 실제로는 약 15 ~ 30 분 정도 걸립니다 그러나 내가 새 모델을 훈련 시키려고한다면 훨씬 더 실질적인 교육 예산을 제공하고, 더 많은 컴퓨터 시간을 버는 것이 가능합니다 나에게 똑같은 데이터로 더 좋은 모델을 줄 것이다

그러나 이것은 당신이 최대한으로 활용할 수있는 것입니다 하지만 사용자 정의 할 수도 있습니다 아마 처음에는 두 가지를 시험해보기를 원할 수도 있습니다 그리고 어떻게 일들이 수행되는지보십시오 그리고 나서 다시 가서 훈련을 다시 시작할 수 있습니다

계산 시간이 추가로 필요합니다 그래서 몇 가지 다른 옵션이 있습니다 내 처분에 들어가서 개입하고 보았다 내가이 모델에서 더 나은 성능을 쥐어 짜낼 수 있다면 그런 다음 사용자가 할 수있는 마지막 단계 이 Predict 섹션으로 이동합니다

이것은 일종의 진리의 순간과 같습니다 이 버튼을 클릭하고 일부 보류를 업로드 할 수 있습니다 이미지 그래서 나는이 이미지를 가지고있다 이것은 emu 인 것처럼 보입니다

그러면이 것이 실제로 작동하는지 알 수 있습니다 그리고 네 0996 % 점수로 에뮤를 예측 한 것 같습니다 타조는 약간 표현되었지만, 레어 약간 표현

그러나 그것은 심지어 거의 미소하지 않기 때문에 그만큼 중요합니다 그리고 점수 한계점을 05로 설정했다면, 그런 다음에는 에뮬레이션으로 등급이 매겨집니다 아래에 아래에 코드 샘플이 두 개 있습니다 그러면 사용자 정의 모델을 구현할 수 있습니다

따라서 REST API에 대한 일부 스 니펫을 제공합니다 그리고 당신은 작은 미니 파이썬을 보러 여기로 토글 할 수 있습니다 스크립트를 사용하면 당신이 가진 사람이라면 손에 많은 훈련 이미지가 있지만 어쩌면 반드시 필요한 것은 아닙니다 많은 프로그래밍 경험, 당신은이 사람을 데려 갈 수 있습니다 복사하여 붙여넣고 웹 개발자에게 보냅니다

이봐, 여기서 도와 줄 수 있니? 이걸 일할 수 있는지 알아봐? 그러나 그 동안에는 모델 자체가 예측을 위해 쉽게 사용할 수 있습니다 기본적으로 워크 플로의 길고 짧은 것입니다 다시 프레젠테이션으로 돌아가겠습니다 그래서 여기에서 우리는 위로 만들 수 있습니다 이 모든 것이 어떻게 어울리는 지에 대한 몇 가지 아이디어, 다른 조각처럼

불행히도, 경계가 있습니다 그 4 개의 상자를 가운데에 동그라미로 표시합니다 하지만 이는 Google Cloud Platform 시스템을 나타냅니다 그리고 당신이 상상할 수있는 하나의 워크 플로우 사용자가 자신의 컴퓨터에서 새 이미지를 업로드했을 가능성이 있습니다 Google Cloud Platform으로 전송됩니다

클라우드 스토리지에 저장되면 Pub / Sub Google Cloud를 통해 새로운 이미지 알림을 트리거합니다 그런 다음 App Engine으로 전송됩니다 검색 색인은에 기반합니다 App Engine이 할 수있는 일은 AutoML Vision API를 호출하고, 좋아, 나는이 세 가지 새로운 이미지를 얻었다 이 이미지들은 어떤 모습입니까? 또한 AutoML Vision API는 예를 들어, 글쎄, 이건 타조 야

이건 에뮤 야 레어 야 App Engine의 검색 색인에 저장하십시오 5 단계에서 사용자는 타조를 검색 할 수 있습니다 또는 레아와 그 결과를 얻을 수 있습니다 자동으로 태그를 추가했습니다

이제 한 발 뒤로 물러나 깊게 잠수 해 봅시다 사용자 경험 따라서 사용자 경험 또는 UX는 가장 일반적인 용어로, 적어도 Google에서는이 세 가지로 느슨하게 분할됩니다 다른 가지 UX 연구, UX 설계 및 UX 프로토 타이핑이 있습니다

그리고 당신은 하나가 다른 하나를 먹는 것을 보았습니다 실제로 숨겨진 화살표가 있습니다 그것은 그 자체로 되돌아 간다 그래서이 세 가지에 대한 입문서처럼 서로 다른 분야가 있으므로 UX 연구는 모두 문제 공간을 이해하십시오 그리고 그것은 이해 관계자와의 인터뷰를 통해 이루어질 수 있습니다

고객과 함께, 학술 연구를하고, 전체 스펙트럼으로부터 통찰력을 얻을 수있다 의미있는 분석을 제공 할 수있는 출처 번역 할 수 있도록 결과를 해석합니다 UX 설계뿐만 아니라 실행 가능한 단계로 프로토 타이핑뿐만 아니라 제품 관리 팀, 엔지니어링 등 그러나이 토론의 범위까지, UX 연구의 주요 인공물 내가 뿌리 내린 영역 인 UX 디자인에 참여하십시오 그리고 모든 것이 주변에 있습니다

흐름, 전체 사용자 여행, ​​방법 제품이 시각적 정보로 구성된다는 것 계층 적 관점 또한 시각 디자인 및 모션 디자인을 포괄 할 수 있으며, 전환이나 웹 구성 요소 같은 것들이 사용되고 있습니다 그들이 어떻게 생겼는지, 미학은 그런 종류의 영역의 모든 부분 그런 다음 UX 프로토 타이핑에 들어가며, Google의 UX 엔지니어링이라고도합니다 이것이 바로이 모든 설계 및 연구를 수행 할 수있는 능력입니다

아티팩트를 유형의 것으로 캡슐화합니다 이해 관계자, 다른 팀에게 보여줄 수있는 정보 회원들 – 명세로 또는 시범으로 – 또는 가장 중요한 것은, 우리의 경우, UX 연구 참여자에게 그래서 이것은 우리에게 초기의 모습을 보여줍니다 꼭 필요한 디자인이 될 것입니다 사물의 구현 측면에 너무 깊이

그리고 UX 필드에서 프로토 타이핑이 나타나는 방식 그것은 다양한 수준의 충실도가 필요하다는 것입니다 매우 낮은 충실도의 범위 에서처럼, 일련의 종이 조각처럼 그것들에 다이어그램이 많이 있습니다 당신은 순차적으로 보여 주며, 주변에서 섞여 있습니다 Google 프레젠테이션과 같을 수 있습니다 갑판이나 PowerPoint 데크에서 볼 수 있습니다

그들은 참여자를 통해 또는 이해 관계자를 통해 참여합니다 그러나 다시, 매우 높은 충실도로 실제로는 세미 인터랙티브 또는 완전 인터랙티브 제품입니다 참가자가 직접 상호 작용하고 어떻게 볼 수 있는지 이것이 그들의 기대를 충족 시키는가? 그래서 이것이 드러나는 한 가지 방법입니다 라이브 데모와 같은 AutoML에 있습니다 내가 여기서 보여준 것

이 다른 탭은 바로 UX 프로토 타입입니다 우리가 오래 동안 만들었던 것 그리고 이것은 기본적으로 실제 데이터가 아닌 것을 사용하고 있습니다 UX 패턴과 구성 요소를 많이 사용하고 있습니다 사용자의 기대에 어떻게 맵핑되는지보기 위해 우리의 디자인이 어떻게 시작될 지 알 수 있습니다

도청에 직접 뛰어 들지 않고 생각하고있다 백 엔드와 프런트 엔드의 무리를 만드는 엔지니어 무리 테스트가 잘되지 않을 수있는 수정 그리고이 경우에, 여러분은 그것이 – 이것은 모두 상당히 기능적입니다 당신은 들어가서 많은 이미지를 선택할 수 있습니다 일부 레이블을 지정하고 모든 종류의 작업을 수행 할 수 있습니다

일반적으로 실제 제품으로 수행 할 것입니다 그러나 이것은 모두 연기와 거울을 통해 모두 이루어집니다 기본적으로 다소 본질적으로 일회용과 비슷합니다 도구를 사용하여 신속하게 반복 할 수 있습니다 한 가지 예는 불행히도 이 화면에서 특히 잘 보입니다

원래 우리가 혼란스러워했던 곳 이었어 행렬로 시작했다 양수 값 또는 일치 항목이있는 위치 녹색이었다 부정적인 것은 빨간색이었다 그러나 적색 / 녹색 색맹은 반드시 필요한 것은 아닙니다

그 중심에 녹색의 대각선 스트립이 보입니다 실제로는 모두 노란색 또는 갈색 음영처럼 보입니다 그래서 우리가했던 것은이 프로토 타입을 사용하는 것입니다 몇 가지 다른 색상을 시도 할 수있는 수단으로 팔레트, 볼 수있는 것, 오, 좋아, 푸른 회색 테마로 어떻게 보이는지 보자 우리는 궁극적으로 여기에 파랗 – 주황색 주제에 정착했다

그것은 두 사람 사이에 상당한 양의 눈에 띄게하기 때문입니다 그러나 우리가 전환 할 수있는 능력 반드시 서로 다른 변형 사이에 영향을 미치지 않고 나머지 흐름이나 크랭크 아웃 많은 추가 모형이 중요한 조각 중 하나였습니다 우리가 이걸 가지고 나왔어 또 다른 빠른 예는 찾고있는 것입니다 여기에있는이 이미지 중 하나에서

오른쪽에서 예측을 볼 수 있습니다 그러나 우리가 생각하고있는 한 가지는, 음, 우리가 원하는대로 레이아웃을 조정해야한다면 어떨까요? 반대쪽에이 열이 왼쪽에 표시됩니다 친구 엔지니어에게 요청하는 것, 이걸 시험해보고, 그것이 어떻게 느껴지는지보십시오 우리는 측면에서 시도해 볼 수 있습니다 이 특정 레이아웃의 장단점을 확인하십시오

일이 더 가독성 있고 덜 읽을 수있게됩니까? 이 방법과 Google의 이전 제품과 상호 작용 구름, 등등? 다시 프레젠테이션으로 돌아 가면 여기에 우리가 일련의 반복을하기 시작했을 때, 우리는 여러 번의 테스트를 거쳤습니다 연구의 측면에서 반복의 무리로 이끌었다 디자인 측면에서 반복의 무리를 이끌어 냈습니다 프로토 타이핑 측에서 일련의 UX 학교가 등장하기 시작합니다

워크 플로의 어느 부분에서 몇 가지 예가 있습니다 이러한 목표들이 드러납니다 그래서 첫 번째 것은 존재하는 것입니다 사용자의 정신 모델을 접지 할 수 있습니다 그게 우리가 결국 전통적인 ML 워크 플로우를 취합니다

예, 반일 과정이지만이 경향이있다 다시 원을 그리며 모델을 평가 한 후 특정 시점에 도달하고, 다시 원을 그리며 더 많은 이미지에 레이블을 지정할 수 있습니다 이 과정을 다시 거쳐야합니다 그러나 결국 목표는 결국 여기 마지막 단계에서 시작해서 다른 하위 작업 또는 사용자 스토리가 무엇인지 확인하십시오 다음과 같은 다양한 주제와 이 단계들 각각의 일부

그래서 그것은 상당히 똑 바른 것처럼 보일 수도 있습니다 글쎄, 사용자로서 데이터 세트의 이름을 지정하여 나중에 사용자가 원하는 반면 단일 레이블 분류인지 여부를 지정합니다 또는 다중 라벨 분류 수입면에서 – 다른 쪽에서는 사용자로서 코드 샘플에 액세스 할 수 있도록 내 모델을 구현하고 배포 할 수 있습니다 그리고 우리가 통합의 일종을보기 시작하는 곳 워크 플로의 이러한 여러 단계를 매핑 할 수 있는지 확인했습니다

응용 프로그램 자체 내의 특정 상태로 그리고 그것이 어디서 시작되는지는 불행히도, 조금 씻겨 버렸지 만 여기에 Create Form이 있다는 생각 이 탭으로 연결되는 왼쪽에 이 네 단계를 포함하여 여기에 설정하십시오 그리고 당신은 심상 사이에서 토글 할 수있다, 평가하십시오, 테스트 및 사용, 또는 예측

탭이므로 탭을 탐색 할 수 있습니다 뒤로 및 앞으로 그래서 여기 – 조금 더보기 쉬울지도 모르지만, 또는 Create Form이 있습니다 그리고 나서 여기 왼쪽 상단의 이미지가 보입니다 교육, 평가 및 예측 – ML의 4 단계를 나타내는 특정 순서대로 돌아갈 수있는 흐름 특정 순서대로 앞으로 이동하십시오

모든 단계를 수행 할 필요는 없습니다 그러나 아직도 앞으로의 추진력이 있습니다 이 마지막 단계로 당신을 이끌어갑니다 최전선에 올랐던 또 다른 작품 새로운 개념에 대해 사용자를 교육 할 수있었습니다 그리고 "새로운"의미는 사용자가 새로운 것을 의미합니다

ML 전문 지식이 거의 없습니다 그래서 이것은 점진적 공 개 (progressive disclosure) 이전에 보여준 도구 팁과 마찬가지로, 음, 평균 정밀도는 이상하고 안개가 끼는 개념입니다 ML 전문 지식이없는 사람들에게 그리고 정밀도 리콜, 그들은 직관적으로 들립니다 하지만 추가 텍스트를 제공해야 할 수도 있습니다 이 특정 용어에 대한 명확성을 높이는 데 도움이됩니다

그래서 이것은 우리가 해왔 던 것입니다 반복되는 두 번의 반복 작업을 수행했습니다 우리가이 언어를 점점 더 많이 만들 수 있는지 알아보기 위해 이해에 어려움을 겪을 사람들에게 분명히 이러한 광범위한 개념 그래서 우리가하는 것이죠 아직 진행중인 작업입니다

또한, 구별하는 것 위음성과 위양성 우리가 더 충분히 조사 할 영역이 될 것이다 상세보기에서 우리는 예측 목록을 보여주었습니다 여기에 레이블과 점수 목록이 있습니다 그들은 받았다 그러나 우리는 또한 여기이 작은 별에 의한 진실의 진리 였어

그리고이 레이블은 05 이상이기 때문에이 레이블을 나타냅니다 네가 정한 점수 한계점 이었어 그건 진실이 아니야 우리는 거짓 긍정으로 간주합니다 그리고 그 사이에, 이것은 0

5보다 작 으면 그 별은 거짓입니다 따라서 이러한 개념을 계속해서 다시 도입하려고합니다 다시 제품 자체를 통해 또 다른 것은 우리가 더 많은 것을 생산하기 위해 노력하고 있습니다 사용자 교육을 UI에 직접 주입하십시오 AutoML Vision은 어느 정도 간단합니다

그리고 우리는 두 가지 다른 제품을 가지고 있습니다 앞서 언급 한 'Next'도 마찬가지로 그래서 우리는 AutoML 자연어, 이는 기본적으로 AutoML과 같은 원리입니다 시력 그러나 기본적으로 자유 형식, 구조화되지 않은 텍스트 같은 문서 그리고 그 주위의 유스 케이스는 – 그와 관련된 다양한 것들이 있습니다 아래에 아래에 AutoML 번역이 있습니다

그것은 기존의 것을 취할 수있는 것에 관한 것입니다 번역 API와 그것을 보강 할 수있는 능력 특정 사용 사례로 특정한 필요 나 특정 단어 나 숙어가있는 경우, 현재의 번역이 모국어 인 조각들 API의 전체 시리즈가 있다면 API가 어려움을 겪고 있습니다 문장 쌍, 당신은 그것을 AutoML 번역에 전달할 수 있습니다 이를위한 맞춤형 모델을 구축 할 수 있습니다 AutoML에 대한 자세한 내용은 이 링크로 이동하면 실제로 여기에서 반복됩니다

그리고 이것은 또한 근무 시간을 홍보 할 수있는 기회이기도합니다 따라서 근본적인 문제에 대해 많은 질문이있는 경우 AutoML에 대한 기술 또는 AutoML의 사용 방법에 대해 자세히 알고 싶습니다 후드 아래에서 작동합니다 가능합니다 근무 시간을 통해, 우리는 당신과 짝을 지을 수 있습니다

그 지식을 더 많이 가질 수있는 누군가와 거기 기지 괜찮아 음, 고마워 [박수 갈채] [음악 재생]

AI Corporations and Communities in Africa with Karim Beguir & Muthoni Wanyoike: GCPPodcast 152

[음악 재생] MARK MANDEL : 안녕하세요 에피소드 152에 오신 것을 환영합니다

주간 'Google Cloud Platform 팟 캐스트'에서 내 이름은 마크 만델 (Mark Mandel)이고 언제나처럼, 나는 내 동료 인 멜라니 워릭과 함께 안녕, 멜라니 멜라니 워릭 : 안녕! MARK MANDEL : 안녕하세요 우린 같은 방에있어 마크 AND델 : 우리는 같은 방에 있습니다

멜라니 워릭 : 나는 언제 알지 못해 우리가 실제로 같은 방에 마지막으로있을 때 약 3 ~ 4 주 전쯤이었을 것입니다 멜라니 워릭 : 오래 전이었습니다 MARK MANDEL : 그랬습니다

이번 주에는 꽤 흥분됩니다 너는 너의 놀라운 에피소드 중 또 하나를 가져왔다 또는 당신이 아프리카에있는 동안 가지고 있었던 인터뷰 멜라니 워릭 : 나는 그렇다 이것은 우리가 실제로 찍은 마지막 인터뷰입니다

내가 케이프 타운에서 끝났을 때 – 구체적으로, 스텔 렌 보쉬 (Stellenbosch) – 깊은 학습 인다 바 (Deep Learning Indaba)에서 그리고 우리는 특별히 Karim과 Muthoni를 만났습니다 둘 다 InstaDeep 밖에 있고 그들은 우리에게 말했습니다 그들의 회사에 대해 조금은, 뿐만 아니라, 일반적으로 AI 회사는 아프리카, 그리고 건축되고있는 공동체들 왜냐하면 Muthoni, 특히, 그녀가 설립 한 공동체가있다

나이로비 그래서 우리는 그것에 들어가게 될 것입니다 그러나 언제나처럼, 우리는 그주의 시원한 것들로 시작합니다 우리는 이번 주에 대한 질문으로 끝날 것입니다 그리고 마크 (Mark)에서 온 모든 질문은, 특정 GKE 클러스터를 만들고 싶다면 주요 Kubernetes 버전 – 아니면 그냥 최신 – 명령 줄 도구를 사용하면 어떻게 할 수 있습니까? MARK MANDEL : 어떻게 하죠? [드라마틱 음악] 멜라니 워릭 : 아닙니다

나는 모른다 그러나 잘하면, 알다시피, 우리가 어떻게하는지 말해 줄 수 있습니다 괜찮아 그래서, 이번 주에 멋진 것들 우리 둘 다 발견 한 기사로 쫓아 낼 것입니다

그리고 실제로 Mark가 발견했습니다 그리고 이것은 제목이 붙여진이 기사입니다 "다른 행성에는 생명체가 존재합니까? Google 클라우드는 NASA의 프런티어 개발 연구소와 협력하고 있습니다 찾아야한다 " 실제로 흥미 롭습니다

이 두 가지 접근법에 대해 조금 이야기합니다 그들은 생물학 연구로 분해했습니다 먼 행성들 한 가지 접근 방식은 특히 가능한 분위기를 모델링 먼 행성에 존재할 수 있습니다 그리고 270,000 가지가 넘는 시뮬레이션 분위기를 분석했습니다

Compute Engine에서 그리고 그들이했던 모델링은 실제로 GitHub에서 공유 한 코드가 있습니다 그것은 PyAtmos라고합니다 블로그 게시물에는 체크 아웃 할 수있는 링크가 있습니다 그리고 나서 두 번째 접근법은 그들이 실제 스펙트럼 데이터 생성 300 만개 이상의 육지 외계 행성 세트 기계 학습 그래서 우리는 아직 충분한 데이터가 없습니다

하지만 우리는 엄청난 양의 시각적 이미지를 가지고 있습니다 서로 다른 위성에 의해 포착 된 존재하고, 그 후에 그들은 상당량을했다 좋은 모델을 만들기 위해 도움을주기 위해 시뮬레이션 잠재적으로 생명력을 가질 수있는 암석 지형을 확인합니다 그 데이터 세트는 계획하고 있습니다 가까운 장래에 언젠가 풀어주기 위하여, 그리고 당신은 그것을주의 깊게 관찰 할 수 있습니다 하지만이 블로그를 체크 아웃해야합니다

흥미 롭군 그리고 그 공간에서 무슨 일이 벌어지고 있는지 듣는 것만으로도, 기계 학습 기술이 어떻게 중요한 역할을하는지에 대해 설명합니다 좋아요 그래, 맞아 마크 AND델 : 멋지다

이번 주 내 다음 멋진 일에, 우리 둘다 실제로 게임과 인공 지능을 결합합니다 정말 멋지다 멜라니 워릭 : 특별합니다 MARK MANDEL : 특별합니다 커뮤니티 회원 중 한 분이 계시 며 사과 드리겠습니다

나는 네 이름을 망칠거야 나는 그것이 [INAUDIBLE]이라고 가정 할 것입니다 아마 가까울 것입니다 잘 했어 마크 맹델 : 나는 그걸로 갈거야

그들은 데이터 과학자입니다 그들은 "스타 크래프트 II" 학습 환경 프로젝트 그래서 당신이 그것에 익숙하지 않은 경우, 그것은 DeepMind에서 나오는 프로젝트입니다 PySC2는 DeepMind의 Python 구성 요소입니다 기본적으로 "스타 크래프트 II"학습 환경

블리자드 엔터테인먼트의 "스타 크래프트 II"의 기계 학습 API 파이썬 환경 기본적으로 지능형 에이전트를 구축 할 수 있습니다 "스타 크래프트 II"를 재생하는 게임입니다 멜라니 워릭 : 그것은 모두이 노력의 일부입니다 딥 마인드가 일했던 것처럼 지금 당장 AlphaGo에서 그 공간의 일부인 "Dota 2"를 출력합니다

AI 강화, 강화 학습 탐구 기계 학습 공간의 알고리즘 이 게임을하고 머신을 플레이 할 수 있어야한다 본질적으로 인간보다 낫다 그러나 이것은 실험 할 수있는 장소입니다 실험 할 수있는 도구가 포함되어 있습니다 MARK MANDEL : 그렇습니다

이번주의 멋진 것은 단지 그게 시원하기 때문에,하지만 [INAUDIBLE] 실제로 해냈습니다 만약 당신이 이것을 듣고 당신이 좋아한다면, 그 소리가 크고, 나는 그걸 가지고 놀고 싶다 그들은 당신이 통과 할 수있는 코드 랩을 썼다 환경에 대해 배우고, 환경을 설정하는 방법, 그것을 얻는 방법, 기본적으로 자신의 에이전트를 빌드하고 실행하십시오 슈퍼 차갑다

정말 멋져요 음, 너 "스타 크래프트"게임이 필요하지만 라이센스가 필요하지 않습니다 실제로 그것을 설정하고 실행하십시오 정말 좋습니다 멜라니 워릭 : 나는 너를 어떻게 이겨낼 수있는 걸 좋아해

게임과 함께 기계 학습 측면 우리가 언급하고 싶은 주중의 또 다른 멋진 일 추가 모듈이 있습니다 기계 학습 과정에 추가되었습니다 저 밖에 특히이 모듈은 공정성 및 기계 학습에 중점을 둡니다

그래서 당신이 이것에 관심이 있다면 이것을 확인해야합니다 나는 올해 이것을 많이 가져왔다 우리는 기계에 대해 잠시 팟 캐스트를했습니다 학습 편견과 공정성 따라서이 모듈은 탐색에 도움이되는 멋진 모듈입니다

다른 유형의 인간 편향을보고 교육 자료에서 확인할 수 있습니다 그리고 그것을 식별하고 평가할 수있는 전략을 제공하는 데 도움이됩니다 그들의 효과, 그래서 당신은 기계 학습에서 볼 수 있습니다 단기 특강 확인 해봐 좋아요

굉장해 우리는 훌륭한 개발자 옹호자 중 한 명을 보유하고 있습니다 팀원, Martin Omander 그들은 처음부터 서버 목록을 작성했습니다 클라우드 기능이있는 간단한 마이크로 서비스

이것은 분명히 하나입니다 그들은 회사와 함께 떠오르는 현실적인 접근 방식을 취합니다 어떤 일을 할 필요가 있습니다 -이 경우, 문서 나열 및보기 – 그런 다음 가져 가라 OK 클라우드 기능으로 어떻게 할 수 있습니까? 그 흐름은 어떤 모습일까요? 예를 들어 이야기하는 사이에 어떻게 작동할까요? 다른 팀원들과 그들이 어떻게 협력 할 것인가? 이에? 실제로 실제로 좋은 단계별 교육입니다

이러한 종류의 마이크로 서비스를 구축하는 방법에 대해 멜라니 워릭 : 그리고 마지막으로 그 주간의 시원한 것에서 나는 깊은 학습 Indaba에 있었고, 나는 Emily Muller와 Rebone을 만났습니다 자신의 팟 캐스트를 구축하고있는 Meraba "위에 놓기" 그리고 그들은 Omoju Miller와 함께이 녹음을했습니다 Nando de Freitas (기계 학습에 관해 말한) 회의에 관해서 이야기했습니다 훌륭한 포드 캐스트이자 멋진 비디오입니다

그래서 우리는 링크를 포함시켜주고 이번 주 동안 우리 포드 캐스트에서 외쳐 MARK MANDEL : 굉장해 그래, 맞아 우리가 말하고 있다고 생각하면 적절하다고 생각됩니다 이번 주에 깊은 학습에 대해서

알았어, 마크 나는 우리가 우리 인터뷰에 들어갈 때라고 생각합니다 MARK MANDEL : 해보자 멜라니 워릭 (MELANIE WARRICK) : 오늘의 포드 캐스트에서, 나는 Karim Beguir와 Muthoni Wanyoike가 둘 다 InstaDeep에 대해 이야기하기 위해 저와 합류했습니다 아프리카 지역 사회 구축

두 분 모두 가입 해 주셔서 감사합니다 MUTHONI WANYOIKE : 우리를 초대해 주셔서 감사합니다 카림 베거 : 고마워 멜라니 워릭 : 우리는 실제로 이것을 다른 것으로 기록하고 있습니다 우리가 현재 녹음하고있는 우리 포드 캐스트의 현재 일어나고있는 딥 러닝 인다 바 (Deep Learning Indaba) 남아프리카의 스텔 렌 보쉬 (Stellenbosch)

그러니 우리가 보통처럼 시작하겠습니다 카림, 우리에게 말해 줄 수 있니? 너 자신에 대해서 조금? 카림 베거 : 물론 그래서 나는 절반의 튀니지 인이고 절반은 프랑스 인이다 나는 실제로 사하라에 가까운 작은 도시에서 자랐다 "스타 워즈 (Star Wars)"의 모래 행성처럼 타타 위인 (Tataouine)이라고 불렀습니다

멜라니 워릭 : "스타 워즈!" 카림 베거 : 맞아 그리고 말 그대로, 나는 자라면서 성장했습니다 점진적으로 졸업 할 길을 열었습니다 프랑스의 콜 폴리 테크닉, 궁극적으로 미국의 콜 폴리 테크닉, 내가 뉴욕의 Courant Institute에있는 곳 대학 그리고 과정을 통해, 나는 항상 다시 돌려 주겠다는 생각이 들었습니다

어떤 시점에서 아프리카로 돌아와 흥미롭고 유용한 것을 할 수 있습니다 그리고 이것이 나의 선택을 오늘날의 InstaDeep으로 인도했습니다 좋았어 Muthoni, 너에 대해 조금 말해줘 MUTHONI WANYOIKE : 네, 고마워요

나는 케냐의 작은 마을 Nyahururu에서 자랐습니다 그 후 니 에리 (Nyeri)에있는 학교에 다녔습니다 나이로비에서 일하기 시작했습니다 저는 InstaDeep에서 일합니다 나이로비에서 팀을 이끌고 아프리카로 확장하는 전략 아프리카 전역의 인재를 양성하고 있습니다

네 좋았어 좋습니다 제가 언급했듯이, 이것은 현재 녹음 중입니다 깊은 학습 Indaba

나는 우리가 그것을 정확히 발표하지 않을 것이라는 것을 안다 동시에, 그러나 무엇이 있었는지 이 회의에서 당신에게 정말 귀중한 경험 지금까지? 카림 베거 : 열정의 수준이 환상적이라고 생각합니다 스피커의 품질은 정말 최고 수준입니다 저는 이것을 NIPS로보고 싶습니다 당신과 동일한 품질과 스피커 NIPS를 제외하고는, NIPS 5,000 명 또는 6,000 명의 참석자가 있으며 여기에 훨씬 더 작은 청중

그래서 나는 그것이 예외적 인 기회라고 생각한다 아프리카에서 AI 커뮤니티를 실제로 구축하기 위해, 우리는 깊은 학습 Indaba에 매우 감사해야합니다 팀이하는 일과 변화에 대한 팀 지상에 만들고있다 좋았어 Muthoni, 귀중한 경험은 무엇입니까? 너를 위해서? 무토니 WANYOIKE : 나를 위해, 나는 생각한다

올해 인디애나 계획의 일환으로, 나를위한 주요 인수는 단지 우리가 소통하고있는 모든 사람들을 보아왔다 함께 여러 달 동안 함께, 나오고있는 연구의 질을 볼 수 있습니다 아프리카의 매우 흥미로운 포스터가 제시되고 있습니다 매일뿐만 아니라 매우 흥미로운 세션 예를 들어, 기계 학습 기술을 토대로 구축하려면, 또는 좋은 종이 기술을 쓰는 방법, 그 종류의 경험은 정말 좋았습니다

좋았어 Muthoni, 당신이 실제로 함께 모이는 것에 관여한다는 것을 압니다 이 회의 어떻게 참여 했니? MUTHONI WANYOIKE : 매우 흥미 롭습니다 그래서 제 동료, 나이로비의 공동체 공동 주최자 작년에 인다 바에 왔고 기획위원회 이미 호스트하기로 결정했다

2019 년 케냐의 인다 바 그녀가 나와 함께 Indaba의 비전을 공유했을 때 아프리카 인들의 참여를 강화하는 것입니다 기계 학습에서, 나는 즉시 팔렸고, 그것이 나이로비의 공동체와 우리가하는 일이기 때문입니다 그래서 우리는 Shakir와 이야기를 나누었습니다

나머지 팀은 우리는 서로를 좋아하는 것처럼 보였고 우리는 올해 인다 바 계획 과정을 시작했습니다 나머지는 역사입니다 이제 당신은 들어 왔고 결코 떠나지 않을 것입니다 카림 베거 (KARIM BEGUIR) : 그렇습니다 내년에는 1,000 명을 수용 할 것입니다

그래서 그것은 흥미 진진해야합니다 오, 정말 흥분 되는군 카림, 당신이 연설하기 때문에 올해에 왔습니다 당신은 우리에게 무엇에 대해 조금 말할 수 있습니까? 무슨 소리 야? 카림 베거 : 네 그래서 제 세션은 목요일에 인생에 관한 것입니다

컴퓨터 학습 시작의 그리고 목표는 실제로 통찰력을주기위한 것입니다 벤처 기업을 구축하는 데 필요한 것, 그러나 구체적으로, 기계 학습 시작, 특히 아프리카에서 그래서 약간의 지식을 공유하기를 고대하면서, 또한 AI에 대한 인식을 제고한다 기회에 대한 커뮤니티 아프리카에 인공 지능이 있다는 것입니다 멜라니 워릭 : 기회는 무엇입니까? 카림 베거 : 엄청난 재능을 가지고 있다고 생각합니다

그리고 전달하고자하는 통찰력 중 하나 오늘의 세계에서, 그것은 실제로 고품질의 기계 학습을 구축 할 수있다 아프리카에서의 신생 기업 모든 지식의 원천이 있습니다 고품질 멘토링의 출처 지금 깊은 학습 인다 바 (Deep Learning Indaba)와 같은 행사가 있습니다 그래서 정말로 새로운 세대를 만드십시오

가능한 일을 인식하고 열정을 공유하십시오 우리가 경험 한 경험들 InstaDeep에서 끝났다 멜라니 워릭 : 그리고 우리에게 조금 말 해주세요 InstaDeep의 기능, 시작 방법 KARIM BEGUIR : 따라서 InstaDeep은 AI 시작입니다

다리를 건너는 아프리카의 AI 스타트 업입니다 선진 AI 연구와 대기업 사이의 격차 실제 비즈니스 요구 사항이 있습니다 그래서 우리가 해낸 방식은 우리 자신의 연구를 개발하는 것입니다 설명하고 지역 사회에 전달할 수있는 능력, 회사에 AI가 어떻게 이익을 얻을 수 있는지 그래서 그것은 우리의 경험이었습니다 그리고 그렇게함으로써 우리가 발견 한 것은 – 또한, 이 프로젝트는 튀니지 북부 아프리카에서 시작되었습니다

말 그대로 부트 스트랩으로 시작되었습니다 공동 창업자 인 Zora와 저는 두 대의 랩톱으로 시작했습니다 열정이 넘칩니다 우리가 발견 한 사실은 그것이 실제로 유망한 아프리카 인재를 유치 할 수 있음 AI에서 경쟁력있는 수준으로 아프리카와 그 이후의 기업에 실질적인 가치를 부여 할 수 있습니다 그것은 주요 테이크 아웃이며, 그것은 또한 나의 주요 메시지입니다

우리는 아프리카에서 인공 지능에 대해 낙관적이어야합니다 기회는 엄청납니다 그리고 이것이 우리의 의제라고 생각합니다 그 모든 메시지를 전달하고 넓게 퍼 졌는지 확인하십시오 MELANIE WARRICK : 확실히 숨겨진 의제는 아닙니다

음, InstaDeep의 측면에서, 우리가 오프라인에서 이야기 할 때, 네가 다섯 곳의 다른 장소에 있다고 나 한테 말했어 카림 베거 : 맞아 멜라니 워릭 : 그리고 그 위치는 어디 있습니까? 카림 베거 : 처음에는 튀니스에서 시작했습니다 아프리카에는 이제 세 곳이 있습니다 우리는 케냐에서 작전 중입니다

그것은 Muthoni가 이끄는 팀입니다 우리는 또한 나이지리아의 라고스에서 운영됩니다 또한 파리와 런던에도 사무소가 있습니다 그래서 다섯 곳, 그리고 앞으로 기대 아프리카에서 우리의 입지를 계속 확장하십시오 좋았어

Muthoni, 어떻게 참여하셨습니까? 무 튜니 WANYOIKE : 내 커뮤니티 작업을 통해 카림은 구글 런치 패드이기 때문에 나이로비를 방문했다 가속기 멘토 그래서 나이로비는 꽤 도시입니다 즉시 사랑에 빠지십시오

그래서 그는 나이로비에 설립하는 것에 관심이있었습니다 지역 사회 내의 사람들과 만남을 가졌습니다 그래서 제가 카림을 만났습니다 아프리카에서 인공 지능을 성장시키는 그의 비전에 팔려 나갔고, 10 억 명의 사람들에게 기회를 제공한다 흥미 진진한 프로젝트를 수행 할 수 있습니다

그리고 나머지는 역사입니다 나머지는 역사, 이제는 그룹과 함께 일하고 있습니다 측면에서 – 당신은 Google Launchpad에 대해 언급했습니다 촉진 신경 Google 개발자 전문가 인 GDE임을 알고 있습니다

나는 또한 우리가 이것에 대해서 이야기했다는 것을 알고있다 귀하가 Google Cloud 제품을 사용하고 있다는 것을 의미합니다 현재 사용중인 제품은 무엇입니까? InstaDeep에서 사용 하시겠습니까? KARIM BEGUIR : TensorFlow는 AI의 주요 플랫폼입니다 대단히 강력한 도구입니다 사람들이이 공구가 얼마나 강력한 지 알지 못한다고 생각합니다

무료로 액세스 할 수있어서 정말 감사합니다 Google이 제공 한 그래서 MLGD로서의 나의 경험에서, Google이하는 모든 작업에 감사 드렸습니다 특히, 예를 들어, 어시스턴트 엄청나게 강력하고 고급 인공 지능 모든 신생 기업이 이용할 수 있습니다 나는 또 하나를 언급했다 나는 그것이 매우 인상적이라고 생각한다

Auto Machine Learning, AutoML입니다 그것은 획기적인 제품입니다 전 세계의 신생 기업을 효과적으로 지원합니다 아프리카를 포함하여 고품질 인공 지능을 이용할 수 있도록 확장 된 팀이 필요하지 않습니다 Launchpad Accelerator Africa도 참여했습니다

Google과 협력하여 생태계 구축 지원 엄청난 기회였다 나를 위대한 사람들을 만날 수 있습니다 그리고 그 채널들을 통해 나는 Muthoni를 만났습니다 그리고 또한 지금 확신하고 있습니다 아프리카에서 땅을 변화시킬 때입니다

그래서 그것은 나를 격려했고 촉매 역할을했습니다 처음에 내가 가진 시야로 좋았어 그리고 커뮤니티에 대해 언급하고 있습니다, Muthoni 나는 조금 이야기하고 싶다 특히 당신이 달리는 지역 사회, 그것은 나이로비의 기계 학습 여성입니다

그 공동체에 어떻게 참여 했습니까? MUTHONI WANYOIKE : 2 년 전 캐슬린 지역 사회 나는 방금 저의 학부 졸업생이었습니다 정부에서 일하고 있었다 케냐 오픈 데이터 이니셔티브 그리고 빅 데이터, 인공 지능 및 모든 주변에 많은 유행어가있었습니다

그 그리고 많은 기대가있었습니다 우리의 업무 범위에서 그래서 우리는 많은 새로운 기술을 배우고 있었고, 그러나 나는 일하는 사람들과 연결될 필요성을 느꼈다 비슷한 공간에서 아이디어 나 자원을 공유 할 수 있습니다 아니면 전 세계에서 무슨 일이 일어나고 있는지 알면됩니다

그래서 그게 내가 여자에 대해 알게 된거야 기계 학습 및 데이터 과학 커뮤니티에서, 그들에게 다가 갔고, 그들은 우리가 나이로비에 도착하는 것을 도울 수있어서 기뻤습니다 그 다음엔 전화를 했어 돕기에 관심이있는 자원 봉사자들을 위해 지역 사회를 건설하십시오 2 년 후 우리는 많은 워크샵을 진행했습니다

파이썬과 R을 사용하는 방법에 대한 입문 수업부터 TensorFlow의 고급 수업 및 기타 고급 AI 개념 매우 흥미 롭습니다 범위 수업에 참석하는 사람들의 예를 들어 대학 강사가 있습니다 파이썬이나 13 살짜리 소녀를 배울 것입니다 프로그램하는 법을 배우러 왔습니다

그래서 매우 흥미로운 경험이었습니다 나이로비에 그 공동체를 짓는 것 멜라니 워릭 : 지역 사회는 현재 얼마나 큰가요? MUTHONI WANYOIKE : 우리는 만남에 1,800 명의 사람들이 있습니다 우리는 아마 700 명을 만났을 것입니다 그래서 거대한 그룹입니다

그리고 우리가 일을하는 방법은 자원 봉사로 이끌었습니다 그래서 많은 사람들이 우리에게 올 것이다 지역 사회의 필요성을 확인하고, 우리는 그들이 지역 사회 내의 프로젝트로서 그것을지지하게했습니다 멜라니 워릭 : 훌륭합니다 MUTHONI WANYOIKE : 그래

내가 언급 할 흥미로운 하나 우리는 국제 수업을 축하하는 마스터 클래스를했습니다 3 월의 여성 파이썬과 R에서 마스터 클래스 소개를했습니다 참석 한 여성들은 매우 흥미를 느꼈습니다 그리고 그 중 두 명은 자원 봉사를 통해 그 계급을 키웠고, 이제 그들은 4 개월에 걸쳐 코스를 진행하고 있습니다

나이로비와 케냐에 약 30 명의 여성 클래스가 있습니다 원격으로 자신의 코스를 수행하고, 그리고 나서 매주 피드백과 결과를 제공하고, 지식과 기술 공유 멜라니 워릭 : 그들은 무엇을 사용 했습니까 함께 원격으로 작업하는 것을 돕기 위해? MUTHONI WANYOIKE : 그들은 여유를 사용합니다 그래서 그들은 수업과 여유를 조정합니다 우리는 해들리 위컴 (Hadley Wickham)의 "R for Data Science" 그 다음 그것을 나누어서 커리큘럼을 만들었습니다

4 개월 동안 퍼졌다 그리고 우리는 작업을 조정하기 위해 슬랙 (Slack)을 사용합니다 GitHub로서, 왜냐하면 많은 사람들이 또한 GitHub을 사용하지 않았으며 예를 들어 일자리를 신청할 때 정말 중요합니다 이제는 프로젝트를 업로드 할 수 있습니다 거래 할 때 자신의 작품을 선보일 수 있습니다

예를 들어 신병 모집 자 멜라니 워릭 : 알아 나는 얼마나 중요한지 꽤 감명 받았다 GitHub가 공간에 등장했습니다 그리고 사람들과 이야기 할 때, 나는 그들 모두는 – 그리고 여기에도, 나는 그것이 얼마나 중요한지 사람들에게 이야기하고 있었다

GitHub에 게시하는 것입니다 완벽해질 때까지 기다리지 마십시오 그걸 꺼내서 네가 뭔가 작업 글쎄요, 당신은 기계 학습에서 다른 여성들과 협력하고 있습니까? 커뮤니티 또는 나이로비의 다른 커뮤니티 또는 나이로비 외부? MUTHONI WANYOIKE : 우리는 그렇게합니다 예를 들어, 커뮤니티를 가지고있는 우리 중 나이로비에서 지금 우리는 지역 사회를 가지고 있습니다

라고스에서 기계 학습의 여성 우리는 또한 데이터 과학을하는 소수의 여성들과도 협력했습니다 우간다에서의 수업 그리고 Indaba에서 나는 아주 많은 여자들을 만났습니다 유사한 커뮤니티를 갖게되어 매우 기쁩니다

그들의 나라에서 여성 스킬을 키우는 아주 흥미 진진한 시간들 아프리카에서 기계 학습 좋았어 네가 그걸 만난 것처럼 말한 것 같아

그래서 사람들이 그룹을 탐색하거나 체크 아웃하려는 경우, 그것이 그들이 그것을 발견 할 수있는 곳입니다 카림, 공동체 란 무엇인가 우리는 이미 조금 이야기했다 이것에 대해,하지만 당신에게 그게 무슨 뜻입니까? 이러한 유형의 커뮤니티 및 귀사와 관련하여, 당신이 AI에 가지고있는 관심사는 무엇입니까? 카림 베거 (KARIM BEGUIR) : 매우 중요하다고 생각합니다 커뮤니티가 AI 기회를 이해하도록 돕습니다

그래서 우리가하는 일은 실제로 그 노하우를 가져오고 사람들을 돕는 일 중요한 문제에 집중하십시오 오늘날, 문제는 정보 부족이 아니라고 말할 수 있습니다 이것은 정보 오버 플로우와 같을 수 있습니다 그래서 내가하는 일의 중요한 부분은 내가 스승이라는 것입니다 또한 우리는 TensorFlow 모임을 매우 적극적으로 조직합니다

우리는 hackathon을 조직합니다 한 달 전에, 나는 라고스에서 해 커톤을 조직했다 나는 정말로 재능에 감명 받았다 젊은 학생과 엔지니어의 열정이 거기에 있습니다 따라서 우리가하는 일 중 중요한 부분은 인식을 높이는 것입니다

정신적 인 생각을 버리세요, 오, 당신은 아프리카에서 세계 정상급이 될 수 없습니다 아프리카의 AI 스타트 업으로서 최고 수준의 경쟁을 펼칠 수 있습니다 그리고 우리는 정말 건설적인 교류를했습니다 여기 Nando Freitas의 Deep Learning Indaba에서, DeepMind의 David Silver가 있습니다 그리고 그들의 피드백은 정말로 매우 긍정적이었습니다

이 덕분에 우리는 계속해서 메시지는 모두 아프리카를 통해 전달됩니다 그 인공 지능은 진정한 기회입니다 AI에서 세계적 수준의 존재가 될 수 있습니다 그것이 취하는 모든 것은 양성, 배우려는 의지, 에너지, 저는 대륙에서 많은 것을 가지고 있다고 믿습니다 멜라니 워릭 : 그리고 조언이나 추천 고려중인 기업 아프리카 일부 지역에 지사를두고있는 것이 어떻습니까? 카림 베거 (KARIM BEGUIR) : 나는 AI에서 핵심적인 것 – 그리고 다른 많은 것들에서 – 사람들에게 초점을 맞추고 있습니다

예를 들어, InstaDeep에서 우리는 우리가하는 구체적인 계획이 없다 예를 들어 사무실이 있어야합니다 특정 국가 나 도시에서 그것은 정말로 사람들의 질에 의해 좌우됩니다 우리가 올바른 파트너가 있다고 느낄 때 – 우리는 케냐에서 Muthoni를 갖게되어 매우 기쁩니다 우리는 나이지리아에서도 훌륭한 기계 학습 팀을 운영하고 있습니다

따라서 올바른 팀을 갖추고 있으면 올바른 사람, 당신은 만들 수 있습니다 그게 내 주요 메시지 야 그리고 이것은 생각합니다 특히 그렇습니다 아프리카와 관련이 있습니다

적절한 사람들에게 투자하는 것입니다 열정을 공유하는 당신의 비전을 공유하십시오 따라서 잠재적으로 찾고있는 기업에 대한 내 메시지는 아프리카 인재를 고용하는 데 적극적으로 노력하십시오 최고 재능을 위해 가장 중요한 것은 배울 의향이있다

스스로 도전 할 의지 일정 수준의 경쟁력 확보 팀 내의 공동 작업 그래서 저는 우리가 얼마나 빨리 올바른 사람들을 만났습니다 그리고 하루가 끝날 무렵 AI 나 다른 어떤 것에서, 그것은 사람 중심적입니다 멜라니 워릭 : 대단히 동의한다 그리고 그 점에 대해서도, 관점에서 감사드립니다

커뮤니티 구축에 관해 이야기하는 것, 그 기회를 갖는 회사에 대해 이야기하기 이러한 커뮤니티를 탐색하고 재능이 어디에 있는지 확인하십시오 그리고 다시주고, 돌려주고 경 쟁 측면에서 경이 롭다 나는 우리가 이것에 대해 이미 일찍 이야기했다는 것을 안다 사용중인 도구 중 일부를 만지고있었습니다

당신이 당신의 재능을 가져올 때, 그것은 네가 네 자신의 훈련 중 일부를하는 것처럼 들리는데, 사람들이 성장하도록 돕습니다 그 맞습니까? 카림 베거 (KARIM BEGUIR) : 그렇습니다 그래, 맞아 그리고 핵심 기술 중 일부는 무엇입니까? 특히, 당신이 쌓아 올리려고 노력하고 있다고? 카림 베거 (KARIM BEGUIR) : 그래서 우리는 동기 부여를 취하는 것이 가능하다고 믿습니다 젊은 학생이나 엔지니어 – 학부생, 또는 대학원 연구를 마치는 것 – 업무에 빨리 착수하십시오

AI 연구 문제에 PhD 플러스로 간주됩니다 나는 그것이 내가 가지고있는 매혹적인 놀라움 중 하나라고 생각한다 회사를 짓고 보았다 이것이 실제로 가능하다는 것입니다 우리에게는 큰 성공 사례가있었습니다

어떤 환상적인 여성, 우리가 팀에 있던 학생 InstaDeep은 실제로 다양성을 믿습니다 모든 사람에게 평등 한 기회가 있는지 확인하십시오 그리고 우리는 성공 사례에 정말 놀랐습니다 우리는 인턴으로 하여금 일의 예술 상태를 추진하게했습니다

그것은 실리콘 밸리에서 이루어졌습니다 그래서 이것은 재미있는 시간입니다 그리고 전달하고자하는 핵심 메시지 AI의 기회가 있다고 믿지 마라 당신에게서 먼 뭔가 진정으로 동기 부여가된다면, 진정으로 배우고 싶다면, 방법이 있고 멘토가있다

딥에서 나 또는 모든 놀라운 사람들이 도움을받을 수 있도록 인다 바를 배우면서 그 기회를 현실로 만드십시오 멜라니 워릭 : 당신에게 필요한 자원은 무엇입니까? 가르치는 데 더 가치가 있고, 다른 사람들을 훈련시키는 데 도움이 되는가? 우리가 해들리 위컴에 대해 이야기 했었기 때문에, 그의 책이 훈련의 일부로 어떻게 도움을 주 었는지 네가 나이로비 여성과 함께 일하고 있다고 기계 학습 카림, 너 특별한 사람있어? 당신이 매우 가치 있다고 생각하니? 카림 베거 (KARIM BEGUIR) : 그렇습니다 다음과 같은 두 권의 책이 있습니다 우리는 실제로 엄청난 자원임을 발견했습니다

좋은 소식은 무료로 제공된다는 것입니다 필요한 것은 이동하여 링크를 클릭하는 것입니다 그리고 당신은 그들을 얻을 것이다 PDF 파일을 다운로드하여 인쇄하십시오 그래서 제가 말한다면, 당신이 깊은 학습에 관심이있는 것은 "깊은 학습" Ian Goodfellow, Courville 및 Bengio의 책

그것은 환상적인 것입니다 그리고 나는 그것이 환상적이라고 말하고 싶다 하나, 진짜 테스트이기 때문에 그것은 정말로 쉽고, 어려움은 거의 시작됩니다 챕터에 따라 기하 급수적으로 증가합니다

그래서 동기가 있다면, 굿 펠로우를 데려와 너 끝내 당신은 긍정적이고 연속적인 경력을 쌓기 위해 먼 길을 갈 것입니다 AI에서 무토니 WANYOIKE : 흥미로운 것을 언급하고 싶습니다 재능을 키우는 측면에서 InstaDeep에서 저를 동기 부여합니다

그래서 우리는 또한 매우 숙련 된 연구원을 보유하고 있습니다 InstaDeep에서 일하고 있고, 어떻게 든 우리의 중학교 엔지니어와 쌍을 이루고 있습니다 그리고 그들은 함께 잘 일할 수 있습니다 따라서 엔지니어가 실제로 도움이됩니다 자신의 기술 측면에서 정말 빠른 속도로 성장하십시오

네 멜라니 워릭 : 그건 일반적인 도전입니다 대부분의 회사들과 마찬가지로, 중년의 재능을 가지고 성장할 수 있도록 실제로 멘토링하고 설정한다는 사실 그런 종류의 관계 일부 회사에서는이를 수행하고 있습니다 불행히도 모든 사람이 그것을 실행할 수있는 것은 아닙니다

그들은 그것을하지 않고있다 그들은 그것에 실행되지 않습니다 KARIM BEGUIR : 그리고 나는 Muthoni가 만지고 있다고 생각합니다 중요한 포인트 InstaDeep에서는 모든 프로젝트가 교차 지역입니다

따라서 서로 다른 팀이 협력해야합니다 그리고 우리는 이것을 특히 경험했습니다 우리가 유럽에서도 가지고있는 팀과 우리는 그것이 그것을 핵심 구성 요소로 생각합니다 모두가 동일한 리소스에 액세스 할 수 있습니다 누구나 공유하고 공동 작업을 할 수 있습니다

그리고 우리는 엄청나게 재미있는 경험을했습니다 이걸로 아프리카 인 재능은 정말 빨리 데리러 올 수 있습니다 그리고 우리는 혁신이 실제로 아프리카에서부터 이끌어 냈습니다 우리는 매우 자랑 스럽습니다

어떻게 그렇게? 카림 베거 (KARIM BEGUIR) : 예를 들어 우리는 연구 프로젝트를 진행했습니다 나는 최근 기사를 언급 할 것이다 "순위 보상 (Rank Rewards)"이라고 불리는 출판 DeepMind가 개척 한 작업을하면서, 특히 데이비드 실버는 2 인 게임을 중심으로 펼쳐집니다 이것은 매우 흥미 롭습니다 그것은 엄청난 돌파구입니다

사실, 기술적으로 Al은 Alan Turing에 의해 발명되었습니다 체스를 풀기 따라서 AlphaZero가 정말 순간적이라고 말할 수 있습니다 그리고 우리는 그 돌파구에 매우 흥분했습니다 그리고 우리는이 돌파구가 어떻게 적용될 수 있는지 생각하려고했습니다

실제 사용 사례, 실제 비즈니스, 실제 상황, 그것이 운송이나 물류와 상관없이? 그걸 유용하게 만드는 방법은? 이것은 우리에게 획기적인 발전을 가져 왔습니다 특히 북 아프리카 팀이 개척 한 훌륭한 리뷰, 훌륭한 피드백, 궁극적으로 차세대 제품 개발 우리 팀과 지역 사회, 그리고 그 이상으로 이익을 얻습니다 멜라니 워릭 : 훌륭합니다 그래서 원격으로 작업하는 것에 관한 그 시점에서 – 당신은이 위대한 모범을 보여주고있었습니다 아프리카에서 몰아 낸 – 가장 큰 도전은 무엇인가? 함께 일하는 원격 팀과 함께 일한 경험이 있습니까? 카림 베거 (KARIM BEGUIR) : 사람들을 확신시키는 것이 중요하다고 생각합니다

의사 소통하고 협업합니다 그래서 몇 가지 도전 과제가 더 실용적입니다 예를 들어 오프 사이트를 구성 할 때, 비자를 발급받을 수 있는지 확인하십시오 불행히도 아프리카를 여행하는 것은 매우 어렵습니다 문제는 본질적으로 실용적입니다

그러나 당신이 정말로 동기 부여를 받았다면, 당신은 그들보다 뛰어날 수 있습니다 협업 문화를 창출합니다 그래서 InstaDeep에서, 우리는 그것을 정말로 믿습니다 우리는 적어도 일 년에 두 번, 전체 글로벌 팀 직접 교환하고 공유 할 수있는 위치에서 만나고 포괄적 인 문화를 그래서 소프트웨어는 아프리카에서 일부러 갈 수있는 방법이라고 생각합니다 사람들을 움직이고 물건을 옮기는 것과 관련된 어려움을 그래서 우리는 가끔 비자와 투쟁합니다

그리고 Muthoni는 이것을 알고 있습니다 우리는 사이트 목록에 그녀를 데리고 가기 위해 싸워야합니다 그러나 시작과 동시에 다른 모든 것과 마찬가지로, 그것은 동기에 관한 것입니다 당신이 정말로 동기 부여가 있다면 궁극적으로 오늘의 세계에서 어려움을 극복하기 위해, 너는 할 수있어 그리고 제가 만들고 싶은 요점은 당신이 혼자가 아니라는 것입니다

당신이 아프리카의 기계 학습 시작가라면, 당신은 기술 거인들에게 접근 할 기회가 있습니다 생태계를 개발하는 데 도움이 될 것입니다 그리고 나는 그것이 정말로 변형 적이라는 것을 알았습니다 이것은 또한 내가 일로 인도했다 나는 Google과 함께 기계 학습 개발자로 학습하고 있습니다

밖에 기회가 있습니다 당신이 당신 자신에 있다고 믿지 마십시오 넌 아니야 슈퍼 많은 사람들이 있습니다 대륙의 잠재력에 흥분하고, 실제로 손을 빌려주고 당신을 도울 것입니다

그것이 우리의 경험이었습니다 우리가 똑같이하고 공유 할 수 있다면 그 피드백과 그 긍정적 인 피드백, 나는 우리가 먼 길을 간 것 같아 멜로니 워릭 : 나는 너를 끄덕이는 것을 본다 추가하고 싶은게 있습니까? 무토니 WANYOIKE : 이제는 매우 어렵다는 것에 동의하는 것입니다 대륙을 돌아 다니기

그러나 단지 만드는 것에 대한 노력을 보는 것은 흥미 롭습니다 일들이 일어난다 매우 중요합니다 그리고 때로는 이동에 대한 한도 – 예를 들어, 우리는 Indaba에 참석할 동료가있었습니다 그들의 비자를 얻을 수 없었다

즉, 액세스하는 일부를 차단한다는 의미입니다 자원과 사람들은 다음 단계의 삶의 핵심이었습니다 그러나 기술로 우리는 다리를 뚫을 수 있습니다 이 문제 중 일부는 삶의 더 쉬운 방법이됩니다 멜라니 워릭 : 네가하는 얘기가 너무 좋아

특히 모든 팀의 모습 동일한 리소스 액세스 권한이 있어야합니다 그리고 그것이 바로 당신이 달성하기 위해 싸우는 것입니다 그러나 나는 또한 사실을 매우 중요하게 생각한다 이 모든 팀이 제대로 작동하는지 확인하려고합니다 함께

저는 원격 팀과도 협력했습니다 나는 더 강한 것처럼 느껴진다 나는 다른 배경을 가진 사람들과 일한다 다른 생각 그게 큰 부분 인 것처럼 들리네

이것을 운전하고, 또한 당신도 경험합니다 옳은? 카림 베거 (KARIM BEGUIR) : 포괄 성의 문화를 만들어야합니다 그리고 권한 부여 모든 팀은 어디에 있든 상관없이 동일하게 취급됩니다 우리는 아이디어를 소중하게 생각합니다

우리는 지적 호기심을 중요시합니다 그래서 우리는 누군가가 뭔가에 일하기로되어 있었어 그러나 다른 것에 빛나는 것으로 밝혀졌습니다 우리는 그런 긍정적 인 놀라움을 좋아합니다 긍정적 인 환경을 조성한다면, 사람들을 위로하고 보상을 받는다

지속적인 학습, 지적 호기심, 당신은 좋은 놀라움을 가질 의무가 있습니다 무토니 WANYOIKE : 사람들의 동기 부여는 할 수 없습니다 과다한 스트레스를받습니다 사람들이 자신의 개인적인 동기 부여가있을 때 프로젝트에서 작업하려면, 예를 들어, 심지어 어쩌면 시간의 작은 도전, 다른 시간대에 걸쳐 작업하고 있기 때문입니다 그러나 일할 동기가있을 때 흥미 진진한 도전을 향해서, 그것은 그러한 것들 중 일부를 만든다

너는 그들을 쉽게 간과 할 수 있다고 생각한다 네 좋았어 글쎄, 우리가 이미하지 않은 것 당신이 만지고 싶었던 표지, 강조하고 싶었던 점, 그것이 InstaDeep에 관한 것이 든, Deep Learning Indaba에 관한 커뮤니티 구축에 관한 이야기? 카림 베거 (KARIM BEGUIR) : 음, 결론을 내리면 나는 그것이 아프리카에게는 정말로 흥미로운 시간이라고 생각합니다 혁신적인 기술이 있기 때문에, 인공 지능, 어떤 일이 일어나고 있으며 앞으로도 계속 될 것입니다

가까운 장래에 그리고 동시에, 점차적으로 기회를 갖기 위해 귀하의 비즈니스, 사람들을 고용 현실 그래서 우리는 InstaDeep에서 이것에 대해 매우 흥분하고 있습니다 깊은 학습 Indaba 내에서 같은 생각을 가진 사람들의 커뮤니티 누가 정말로 기회를 느끼는지

저는 이것이 아프리카에 역사적인 기회라고 생각합니다 그리고 우리는 그것에 대해 매우 흥분합니다 궁극적으로이 모든 것을 함께 구축하는 것입니다 이것은 Deep Learning Indaba의 메시지입니다 우리는 함께 건설합니다

그리고 그것은 변화를 가져올 것입니다 듣고있는 사람에게 보내는 내 메시지 이것이 너 밖에 있다는 것을 믿지 마라 그것의 일부가 되십시오 보텀스 – 업 방식은 궁극적으로 갈 길이 멀다 이것은 아프리카를 변화시킬 것입니다

그리고 그것이 취하는 모든 것은 약간의 동기 부여입니다 약간의 호기심과 두려워하지 않는 것 위대한 일이 일어날 것입니다 멜라니 워릭 : 훌륭합니다 그리고 그것은 실제로 나에게 뭔가를 생각 나게합니다

너날 밤에 너가 들었다고 들었어 Muthoni는 긍정이라고 말하고있었습니다 그들이 말하는 것처럼 느껴지는 것들에 예라고 말하기 불가능하거나, 너 너머에있다 다른 것을 추가하고 싶습니까? 무토니 WANYOIKE : 나를 위해, 내 경험 나는 개인적인 평가를하고 싶다

그리고 언젠가 올해 초, 나는 내가 좋아한다는 것을 깨달았다 나의 안락 지대는 그늘에 숨어있다 조용하고 조용하게, 또는 트위터에 물건을 그냥 친구가 [INAUDIBLE] 님을 추천했을 때 그때 웬일인지, 그것은 나의 마음에서 무엇인가 감동시켰다 그리고 그것이 내가 결국 어떻게 된 것인지 예를 들면, 도전 이었기 때문에 InstaDeep에 가입하는 것을 허용했습니다

내가 몇 달 전에 받아 들여지지 않았을 것이라고, 또는 Indaba의 일부가되었습니다 그래, 네가 사람들 한테 그렇게 말하길 바란다 정말로, 정말로 그들을 놀라게하는 기회들에, 왜냐하면 때로는 위로가 당신만큼 성장하지 않기 때문입니다 그래 그리고 마지막으로, 우리는 – 나는 내년에 Indaba를 개최하게되어 매우 기쁩니다

또 하나의 커다란 도전인데, 그러나 나는 환상적인 해가 될 것이라고 확신합니다 그래서 저는 2019 년 케냐에서 인다 바 (Indaba)를 갖기를 고대합니다 KARIM BEGUIR : 그리고 내 편에서는, 나는 다음 노력에 대해 대단히 기뻤습니다 나는 Muthoni가 조직의 큰 부분이 될 것이라고 확신합니다 또한 내가 추가하고 싶은 다른 것 아프리카에서 기계 학습에 관한 것입니다

이제는 아프리카 인으로서 세상에 증명할 때라고 생각합니다 아프리카에서 벗어난 회사들조차도 경쟁 할 수 있고, 발 앞에 설 수있다 기본적으로 우리가 확인해야 할 부가 가치를 제공합니다 우리 공동체와 우리 경제 21 세기에 성공했습니다 이것이 InstaDeep에서 우리가하려는 것입니다

그리고 소원이 있다면 미래에 AI를 성공적으로 볼 수 있습니다 도움으로 아프리카에서 떠나는 기업 기술 파트너 협력 선의의 모든 사람들 그러나 이것은 우리가 아직 보지 못한 것입니다 특히 InstaDeep은 매일 내게 동기를 부여하는 것 우리는 기회로 경쟁 할 수있는 아프리카 인으로 증명할 수 있습니까? 모든 공동체와 모든 사람들에게 위대한 것을 만들어라

우리가 함께 일하는 파트너는? MELANIE WARRICK : Karim, Muthoni, 고맙습니다 Podcast에 오는 데 많은 도움이됩니다 MUTHONI WANYOIKE : 우리를 초대해 주셔서 감사합니다 카림 베거 : 고마워 무토니 WANYOIKE : 감사합니다

멜라니 워릭 : 다시 한번 감사드립니다, 카림과 무토니, 팟 캐스트에 와서 우리에게 이야기하기 AI, 기업, 커뮤니티, InstaDeep, 모든것들 정말 고맙습니다 MARK MANDEL : 네, 고마워요 정말 재미있었습니다 마크, 금주의 질문? MARK MANDEL : 금주의 질문

MELANIE WARRICK : GKE를 만들고 싶다면 특정 주요 Kubernetes 버전 클러스터 – 심지어 최신의 것일 수도 있습니다 명령 줄 도구를 사용하면 어떻게 할 수 있습니까? MARK MANDEL : 이것은 내가 뛰어 본 것입니다 나는 그것을 탐구하고 있었다 멜라니 워릭 : 정말로? 이걸 봤니? Mark MANDEL : 나는 몰랐다 나는 정말로 이것에 부딪쳤다

[차량 충돌 노이즈] 권리 그래서 GKE는 Kubernetes의 특정 버전을 실행합니다 예를 들어, 110은 현재 사용할 수 있습니다 GKE에서 실행 중이면 1

106을 실행 중일 수 있습니다 그런 다음 일반적으로 패치 릴리스가 있습니다 그래서 -gke6,

7, 또는 4와 비슷합니다 그리고 그것들은 꽤 빨리 굴러 갈 수 있습니다 언젠가는 2, 3 주 전 같을 수도 있습니다 1

106-gke1을 실행 중입니다 그런 다음 몇 주 후 또는 한 달 후에 다시 방문하면 gke가 될 수도 있습니다 4, 이전 버전 더 이상 사용할 수 없게 될 수도 있습니다

그리고 명령을 통해 스크립트를 실행할 수도 있습니다 라인 또는 심지어 배포 관리자 또한 매우 구체적입니다 그것들은 같을 수도 있습니다 예,이 버전이 필요합니다 1

107gke-3 그리고 그것은 더 이상 사용할 수 없습니다 그리고 갑자기 모든 스크립트가 깨져서 짜증납니다

[드라마틱 음악] 그리고 나는 그걸로도 들어갔습니다 원하는 때마다 스크립트를 업데이트해야합니다 GCloud 또는 Deployment Manager를 사용하여 클러스터를 생성하십시오 하지만 당신은 할 필요가 없습니다 와일리

MARK MANDEL : 놀랍습니다 멜라니 워릭 : 놀랍습니다 [CELEBRATORY MUSIC] 마크 멘델 : 그래서 정말 좋은 것입니다 실제로 일반 클러스터 버전을 지정할 수 있습니다 예를 들어, 다음과 같은 버전을 만들고 싶습니다

110 나는 110의 도트 버전이 마음에 들지 않는다 1

10을 만들어주세요 내 초기 클러스터 버전에서 실제로 말할 수 있습니다 Deployment Manager 또는 GCloud의 클러스터 대시 버전에서, 기본적으로 나는 단지 110과 같습니다 그리고 그것은 최신 1

10을 붙잡을 것입니다 패치 릴리스를 원한다면, 1107, 그리고 항상 최신 정보를 얻습니다 그리고 마지막에 – 게케와 함께

아니면 그냥 최신을 원하면 "최신"이라고 쓸 수 있습니다 헤이 MARK MANDEL : 네 그러면 장면 뒤에서 당신을 위해 효과가있을 것입니다 많은 시간을 절약하고 스크립트를 만들 수 있습니다

조금 부서지기 쉽고 물건을 조금 더 쉽게 만든다 너를 위해서 멜라니 워릭 : 우리는 쉽게 좋아합니다 네, 그렇습니다 멋지다

WARRICK : 멋지다 마크, 어디가는거야? Mark MANDEL : 저는 12 월에 QCon에서 만나겠습니다 하지만 그 외에는 다음 달에 휴가를 보내고 있습니다 네 멜라니 워릭 : 휴가! [CELEBRATORY MUSIC] 마크 멩델 : 너야? 멜라니 워릭 : 나는 [INAUDIBLE] 11 월 말에, 그것은 주요 계획입니다

마크 AND델 : 멋지다 그 좋은 소리 그래, 맞아 진짜 빨리, 우리가 감싸기 전에 MARK MANDEL : 물론입니다

멜라니 워릭 : 나는 단지 작은 공익 광고를하고 싶다 미국에 있다면 투표하십시오 우리는 여기 앉아서 투표 할 사람을 말하지 않을 것입니다 나는 내 의견을 가지고있다 하지만 – 내 트위터 피드를 확인할 수 있습니다

내 의견을 알고 싶다면 하지만 네, 투표하십시오 만약 당신이 그것에 대해 생각하고 있다면, 당신이 울타리에 뭐든, 제발, 확실히 이 중간 선거에 투표하십시오 MARK MANDEL : 굉장해 글쎄, 멜라니, 정말 고마워

아직 나와 함께 해줘서 고마워 이번 주 팟 캐스트에서 다시 고마워, 마크 MARK MANDEL : 그리고 모두 들어 주셔서 감사합니다 우리는 다음주에 모두 만날거야

[음악 재생]

Advanced audience targeting with data and AI

[음악] 안녕하세요 오늘 하루는 어떻게됩니까? 그래서 영화 산업은 재능있는 예술가와 함께 일할 수있는 능력 스튜디오가 가져올 수있는 능력 관중들, 오늘 내가 무엇을하고 있는지 내가 너에게 말할거야

우리가 한 일의 일부 Google Cloud는 이야기와 결혼하고 우리가 잠시 보았던 관중들 이제는 비용이 많이 들고 고객을 유치하고 재능을 끌어 들이기 우리가 왼쪽 아래에서 오른쪽 위 사분면 그리고이 움직임은 긴장감을 키우고 있습니다 한편 지각 판 사이 예전에 내장 된 관성력 다른 일을하는 방법 내가 부를 수있는 것들 능력이란 무엇인가 발견 Hardy 's 발견은 중요한 정보를 제공합니다 특히 임원 및 영화 제작자에게 비판적인 영화는 비판적이다 속편이 이제 잠재 고객 발견 과정과 밀접한 관련이있다 영화를 만들 때의 스토리 텔링 스튜디오 경영진의 제작자 왜 알지? 영화는 새로운 무엇이 될 필요가있다

영화와이 영화는 누구인가? 이 질문을하기 위해 만들어진 것은 어렵다 정확하게 대답하려면 여기에 열쇠가 있습니다 관객에 대한 이야기 ​​내부에는 돌을 맞춰서 이야기와 관객은 단지 그것을 프로세스의 결과로 발생시킨다 스튜디오와 영화 제작자들은 실제로 그들이 조정할 수없는 많은 손잡이 이 정렬을 달성하기 위해 그것은 복합체이다 문제이며 이점은 문제입니다

데이터 중심의 통찰력 때문입니다 스튜디오가 데이터 수집 중입니다 오늘 도구를 만들고 건축하기 때문에 두 가지 도구에 대해 알려줍니다 우리는 폭스에서 처음으로 만들었습니다 마릴린과 마릴린이 대답했다

어떤 영화 유형에 관한 질문입니까? 마릴린이 뭉치를 만들려고 노력하고있어 의 데이터를 보면 보이는 컴퓨터 비전을 통한 영화 음모에 영화를 통해 NLP를 생성 한 다음 가능성이있는 DNA를 기술하는 보고서 두 번째 데이터를 기반으로 한 영화 우리가 만든 툴은 밤이라고합니다 크롤러는 기본적으로 이 질문은 우리가 만들려고 노력하고 있었고 도구가 거대한 병렬 질문을한다 수백 가지의 멀티 샘플링 샘플링 다른 관객과 그것을 출력합니다 우리를 도와주는 정교한 보고서 전례없는 수준으로 묘사하다 이 핵심 팬이 누구인지 자세히 설득력있는 영화 관객 및 노 쇼가 누구인지 이제 저는 여러분에게 이야기 할 것입니다

최고의 쇼맨은 이것이 우리가 실제로 데이터를 일부 용지에 적용했습니다 이 영화는 영화와 유사한 잠재 고객 또 다른 뮤지컬이었던 라 – 라 – 땅 작년에 열린 우리 사교적 인 온라인 채팅 속도 실제로 미디어는 젊은 여성 데모의 방향 가설과 일치했다 라 라 랜드 놀람은 우리가 사용하기 시작했을 때왔다 우리가 예고편을 분석 할 때 사용한 도구 그렇지 않은 더 넓은 잠재 고객을 발견하십시오 반드시 젊은 데모 센터에서 가족 영화를 중심으로 디즈니 뮤지컬과 기분 좋은 이 권한 부여 드라마는 매우 그것은 변화를 제안했기 때문에 중요하다

우리의 마케팅 전략은 우리는 결국에 큰 영향을 미친다고 생각합니다 영화의 성공은 너무나도 다행 스럽다 우리에게 영화는 꽤 잘했다 4 억 달러의 북쪽 전 세계적으로 Studios는 그들이 경쟁하기 위해 배우고 있다는 것을 배우십시오 세계의 이야기와 관객 불완전하지만 다차원 데이터 그리고 그들은 또한 그 자리에 정렬을 측정하는 프로세스 이야기와 청중 사이 신속한 재 할당을위한 열쇠가 될 마침내 그들은 건물을 짓고있다

인공 지능 도구를 사용하지 않는 건물 속일 수밖에 없지만 재능있는 밝은 영화 제작자와 더 관련성 있고 긴급한 영화 제작 경험은 대단히 감사합니다 [박수 갈채] [음악]

KAIST and SNU nominated as Google AI Focused Research Awards Program researchers

서울 대학교와 KAIST는 한국 AI 대학에 처음으로 입학하였습니다 집중 연구 상 프로그램

내년에이 두 기관의 참가자들은 기술과 협력 할 것입니다 자이언트의 연구원 및 엔지니어링 팀이 클라우드 기술, 연설 인식, 그리고 깊은 학습 임기가 끝나면 Google은 연구 프로젝트를 계속할 것인지 여부를 평가합니다

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]

AI Adventures: art, science, and tools of machine learning (Google I/O ’18)

[음악 재생] YUFENG GUO : 아침 내 이름은 Yufeng Guo이고 YouTube에서 비디오 시리즈를 진행합니다

인공 지능 어드벤처 (AI Adventures)라는 곳에서는 예술, 과학, 기계 학습 도구 저는 오늘 그곳에있는 작은 조각을 직접 가져오고 싶었습니다 그럼 함께 인공 지능 모험을 떠나 봅시다 이 세션의 목적을 위해, 먼저 기계 학습에 대한 짧은 정의부터 시작해 보겠습니다 그것을 사용하여 워크 플로우를 구축하십시오

도구에 들어가십시오 우리는 오늘 그것을 사용하여 도움을 줄 것입니다 우리는 기계 학습 문제를 어떻게 해결할 수 있는지보고 있으며, 문제를 해결하는 데 어떻게 활용할 수 있는지 알아보십시오 I / O 외부 그래서 우리는 기계 학습을 말할 것입니다 데이터로 프로그래밍하고 있습니다

그리고이 데이터를 사용하여 시스템 또는 모델을 생성합니다 어떤 일을하도록 훈련 받았다 그리고 우리는 데이터를 사용하여 매우 중요한이 모델을 교육합니다 그리고 모든 것이 다시 데이터로 돌아옵니다 이것이 실제로 기계의 첫 번째 단계입니다

학습 – 데이터 수집 그것은 모두 중심에 있고 거기에서 시작됩니다 다음으로, 일반적으로 일종의 준비가 있습니다 해당 데이터가 필요합니다 원시 데이터는 종종 사용하기에 적합하지 않습니다

그래서 우리는 조금 준비해야합니다 귀하의 기계 학습 준비가되기 전에 셋째, 모델을 선택해야합니다 우리는 그것을 사용하고, 훈련시키고, 평가하기를 원합니다 그 성능, 미세 조정, 마지막으로 그러한 예측을하십시오

그래서 우리는이 7 가지 단계를 각각 거치게됩니다 이 세션의 과정에서 먼저 질문을 봅시다 우리는 우리 모델을 사용하여 첫 번째 문제를 해결하려고 노력하고 있습니다 간단한 예제 데이터 세트를 살펴 보겠습니다 이 7 단계를 통해 분류 작업을 수행하십시오

동물에 관한 데이터 우리는 어떤 종류의 동물이냐고 말할 것입니다 일부 입력 데이터를 기반으로합니다 이것이 새입니까? 그것은 포유 동물인가? 그것은 파충류 물고기, 또는 양서류, 버그, 또는 무척추 동물? 이 7 가지 유형 중 하나 그리고 그것은 다양한 통계에 기초 할 것입니다

주어진 동물에 대해서 따라서 우리 모델은이 데이터,이 구조화 된 데이터, 그것을 사용하여 예측을 시도하십시오 -이 7 가지 중 하나 동물의 종류 이제 우리는 어떤 상황이 우리는 모델링을하고 있습니다 이 단계들을 더 자세히 설명합니다 우선, 데이터 수집 중입니다

우리는 어떤 문제인지 알고 있기 때문에 우리는 해결하려고 노력하고 있습니다 항상 그렇지는 않습니다 이를 해결하기 위해 필요한 데이터가 있음을 의미합니다 데이터가 없으면 모델이 아무 곳에도 없습니다 그래서 내 데이터가 어디에서 어떤 형식으로 살고 있는지 스스로에게 물어보십시오

어떻게해야합니까? 이들은 종종 초기 걸림돌이다 우리는 문제를 해결하고 해결하기 위해 데이터를 사용하려고 노력합니다 그리고 아마도 당신은 실제로 상황에 처해 있습니다 필요한 모든 데이터가없는 곳입니다 자신의 데이터를 수집해야합니다

이것은 또한 일반적인 사용 사례입니다 그리고 당신은이 문제를 푸는데 독창적이 될 수 있습니다 데이터 수집을위한 시스템을 구축함으로써, 아마도 당신은 그것을 게임으로 만들 것입니다 정말 재미있는 예가 Quickdraw입니다 Quickdraw는 온라인 게임으로 당신은 특정 그림을 그려서 시도합니다

네가 그리는 것을 예측하는거야 그래서 그것은 당신에게 농구를 그리거나 배를 그립니다 그리고 당신도 알다시피, 그것은 재미 있습니다 사람들은 그것을 좋아합니다 결과적으로 게임이 생성되었습니다

십억 개 이상의 손으로 그린 ​​이미지의 기념일 로고 전 세계에서 그리고이 데이터 세트는 GitHub에서 오픈 소스입니다 실제로 AI 모험 에피소드가 있습니다 이 데이터 세트를 사용하는 방법에 대해 자세히 알고 싶으면 놓으십시오 그걸 가지고 놀아 라

하지만 우리의 계단으로 돌아가 우리는 데이터를 수집했습니다 무엇 향후 계획? 우리는 그 데이터를 준비해야합니다 데이터 준비는 완전히 별도의 대화가 될 수 있습니다 여기서는 몇 가지 측면 만 다루겠습니다

어떤 종류의 기계 학습을하기 전에 데이터를 탐색하십시오 실제로 데이터를 더 잘 이해하는 데 도움이 될 수 있습니다 이것이 당신에게주는 것이기 때문에 이것은 근본입니다 데이터 세트에 대한이 직관, 당신에게 많은 시간과 두통을 줄 수 있습니다 나중에 그 과정에서

그래서 저는 사람들이 그들의 데이터를 청소하도록 권장합니다 데이터를보고 그것에 대해 어떤 종류의 직감을 얻으 려합니다 간격을 확인하는 데 도움이됩니다 그 길을 따라 일하는 것에 대해 많은 것을 배웁니다 그리고 실제로 더 많은 데이터가 필요하다는 것을 알게 될 것입니다

또는 수집 한 특정 데이터 결국 실제로 그렇게 유용하지는 않았습니다 이 작업을 수행하기 위해 내가 좋아하는 도구 중 하나는 Facets입니다 우리는 잠시 우회하여 그것에 대해 이야기 할 것입니다 패싯은 오픈 소스 데이터 시각화입니다 Google Research의 도구입니다

데이터 배포에 대한 더 나은 이해를 얻을 수 있습니다 그리고 네, 가능한 많은 도구가 있습니다 당신은 아주 비슷한 일을합니다 명령 및 호출 함수를 작성할 수 있으며, 하지만이 모든 것이 한 곳에서 이루어집니다 UI이기 때문에 잊지 않을 것입니다

특정 통계를 계산하는 것 또는 데이터의 일부를 살펴보십시오 그것은 모두 당신을 위해 계산 되었기 때문입니다 그냥 나타납니다 그래서, 당신은 그냥 찾아 볼 수 있습니다 여기에서 우리의 데이터 세트에 적용된 패싯을 볼 수 있습니다

동물원에서 나온이 동물들 중 대부분은 일종의 것들이며 제로 데이터 세트는 호흡합니까? 꼬리가 있습니까? 깃털이 있니? 그런 것들 그래서 우리는 이런 종류의 재미있는 분포를 0으로 보았습니다 ~ 1 그러나 숫자 배포판을 사용하는 많은 경우, 훨씬 더 흥미로운 것을 보게 될 것입니다 자, 기계의 세 번째 단계로 넘어 갑시다

학습 – 모델 선택 그리고 우리는 모델 선택에 대해 조금 논의 할 것이고, 우리가 이것을 사용하는 방법에 대해 가능한 최소한의 노력 그리고 먼저, 주위에 직감을 구축합시다 기계 학습 모델이 잘 작동합니다 그래서 여기에서 우리는 모델이 어떻게 시도 하는지를 봅니다

우리가 말하려고하는 지역을 나누기 위해, 어느 쪽이 파란색이고, 어느 쪽이 주황인지, 점들인 데이터와 일치시킵니다 따라서 세계에서 가장 어려운 사례는 아닙니다 권리? 모든 것이 이미 영원히 분리되어 있습니다 분리했다 그러나 좀 더 재미있는 것을 보도록하겠습니다

여기, 우리는 약간의 모델 투쟁을 본다 그 동그라미를 그리는 방법을 찾으려고 시도 할 때 파란색 점 주위 그리고 이러한 도구가 오늘 당신에게 사용 가능하며, 충분히 정교합니다 당신을위한 모든 사소한 부분을 다룰 수 있습니다 그래서 당신은 어떻게에 대한 세부 사항을 걱정할 필요가 없습니다

그것에 대해지고있다 그것은 그 일을 성취하는 것의 문제 일뿐입니다 그러나 보는 재미입니다 또한 서로 다른 모델이 서로 다른 종류의 데이터를 모델링 할 수 있습니다 복잡한 정도가 다르다

그래서 이것이 모델 선택이 실제로 무엇인지에 대한 것입니다 그것은 어떤 모델이 딱 맞는지를 보는 것입니다 특정 데이터 세트 및 특정 문제 당신은 풀려고 노력하고 있습니다 이제 구체적으로, 우리가하려고하는 것 이것을 달성하기 위해 TensorFlow를 사용합니다 그래서 TensorFlow에 관해 많은 이야기가 있습니다

여기에 I / O에서 올해, 그래서 그 비트를 rehash하지 않습니다 그러나 우리는 예를 들어, 아마도, TensorFlow를 사용하여 모델을 수행하는 모습 선택, 실제로 그 코드를 쓰려면, 특히 경험치가 너무 많지 않은 경우 TensorFlow와 함께, 이것은 친절 할 수 있습니다 얼마나 쉽게 접근 할 수 있는지에 대한 유용한 정보를 제공합니다 이것은 선형 분류 자의 예입니다 우리가 본 첫 번째 애니메이션과 비슷합니다

드로잉은 두 공간 사이에 선형 선이 좋습니다 그리고 우리는 그것이 매우 간단하다는 것을 알 수 있습니다 그러나 더 복잡한 데이터가 있다면 어떨까요? 이 한 줄 전화는 음, 일종의 전화를 유지합니다 당신이 다른 모델에서 그것을 시도 할 때 그래서 우리는이 것을 깊은 신경 네트워크로 대체 할 것입니다

몇 가지 작은 수정이 필요합니다 이 경우에는 추가 인수 하나를 추가해야합니다 숨겨진 단위라고합니다 이것은 우리 네트워크의 구조를 정의합니다 이 경우, 우리는 30, 20, 10 개의 뉴런이 있습니다

그래서, 우리가해야 할 일은 말 그대로, 그냥 이름 바꾸기 – 그 텍스트를 대체하고 하나의 인수를 추가하십시오 전체 시스템을 다시 연결할 필요는 없습니다 모든 것을 삭제하고 시작할 필요가 없습니다 기스로부터 그래서 그것은 정말로 산뜻합니다

그리고 시도 할 수있는 다른 모델과 비슷합니다 많은 사람들이 모델을 뒤집습니다 메소드 호출의 이러한 다양한 선택 메뉴로 놀 수 있습니다 그리고 그 패러다임에서 미리 모델에 커밋하지 않아도됩니다 한 번 시도해보고 어떻게 작동하는지보고 다시 돌아올 수 있습니다

이 7 단계 때문에, 그리고 당신은 다시 반복 할 수 있습니다 언제든지 돌아가서 돌아볼 수 있습니다 그래서 우리를 다음 단계로 인도합니다 우리는 데이터를 수집했습니다 우리는 그것을 준비했습니다

우리는 최소한 모델을 선택했습니다 그리고 지금, 우리는 훈련을 할 수 있습니다 교육은 많은 관심을 얻습니다 왜냐하면 그것은 어떤면에서 마법이 일어나는 곳이기 때문입니다 그러나 실제로, 그것은 종종 매우 간단합니다

너는 그냥 뛰게하고 기다린다 그럼 훈련 도중 무슨 일이 일어나는지 살펴 보겠습니다 코드에서 볼 수 있습니다 개념적으로 모델을 훈련 할 때 우리는 데이터를 전달합니다 우리는 즉시 모델을 통해 예측을 시도합니다

그러나 예측은 꽤 나쁠 것입니다 왜냐하면 우리 모델은 무작위로 초기화되기 때문입니다 그러나 우리는이 예측을하고 그것을 취하여 비교합니다 진정한 대답, 우리가 알고있는 정답 그리고이 정보를 사용하여 모델을 업데이트합니다

따라서 모델을 검토하고 업데이트 할 때마다 작동하면서 새로운 데이터 조각으로 훈련 세트를 통과하는 길, 시간이 지남에 따라 모델이 더 좋아질 수 있습니다 각 교육 루프와 함께 따라서 교육 과정은 이와 같습니다 그러나 실제로, 코드를 실제로 작성해야 할 때, 우리는 모델을 만든 우리의 기능을 사용합니다 그리고 우리는 방금 그것에 도트 트레인을 불렀다

그것은 문자 적으로 한 줄입니다 당신은 그 기능을 제공 할 필요가 있습니다 교육 데이터 입력을 제공합니다 그것은 한 줄입니다 그리고 일단 훈련이 끝나면 – 이 기능을 실행하면 꺼져서 샌드위치를 ​​잡고, 그리고 당신은 돌아오고 평가를 할 시간입니다

우리는 우리 모델을 평가해야합니다 그것이 얼마나 정확한지 보는 것입니다 기본 작업을 잘 수행하는지 확인하십시오 그래서 우리는 사물의 몇 가지 예를 보여줄 수 있습니다 우리가 올바른 답을 알고 있다는 것, 모델은 훈련에서 이러한 질문을 보지 못했습니다

그것은 훈련에서 그 데이터를 보지 못했습니다 따라서 우리가 따로 설정 한이 평가 데이터를 사용합니다 우리 모델의 성능을 측정합니다 개념 상으로는 교육과 매우 유사합니다 여전히 같은 모양입니다

그러나 중요한 차이점은 상단에 화살표가 없습니다 그것은 폐쇄 루프가 아닙니다 예측을 확인하면 모델이 업데이트되지 않습니다 결과 그리고 모델을 업데이트 한 경우, 그러면 그것은 훈련과 다를 바 없으며, 우리는 본질적으로 속일거야

따라서 평가 데이터는 그런 식으로 소중합니다 모델을 업데이트하는 데 사용하지 않습니다 우리는 그것을 옆으로 잡고 그것을 예비 해 둔다 우리 모델의 성능을 평가할 수 있습니다 코드에서는, 우리가 본 모든 것만 큼 간단합니다

우리는 점 평가를 호출합니다 평가하고 싶다면 점 평가를 호출하십시오 그리고 우리가 평가 데이터를 전달하고 있음을 주목하십시오 그것은 eval 입력 함수입니다 따라서 교육 자료가 아닙니다

그리고 우리가 훈련 데이터를 사용한다면 – 우리는 그 줄을 복사했다고 가정 해 봅시다 우리는 방금 스왑 아웃, 평가를 위해 훈련, 데이터 소스를 변경하는 것을 잊었습니다 이제 우리는 우리 모델의 성능을 훈련 데이터, 그리고 그것은 큰 실수가 될 것입니다, 모델이 교육 데이터를 위해 최적화 되었기 때문입니다 따라서 동일한 데이터를 사용하여 평가할 경우 어떤 일이 발생합니까? 당신이 당신의 모델의 진정한 성과를 허위 진술하고, 실제 데이터에서 제대로 수행되지 않을 가능성이 있습니다 한 번 배포하면 결코 볼 수 없으므로 그리고 당신은 그것이 어떻게하는지 결코 측정하지 못했습니다 이전에 보이지 않는 데이터와 그래서 이것은 우리를 다음 단계로 안내합니다

그러면 우리는 실제로 모델을 어떻게 개선 할 수 있습니까? 우리는 훈련을 실시했다 우린이 짓을 했어 우리는 평가를 실행했습니다 이제 뭐? 우리는 더 많은 훈련을 받고 있습니까? 우리는 그것을 어떻게 더 조정할 수 있습니까? 우리는 언제나 새로운 모델로 교체 할 수 있습니다 그러나 우리가이 모델을 결정한다면, 그러나 우리는 그것을 향상시키고 자 하는가? 여기서 하이퍼 파라미터 튜닝이 이루어집니다

이 모델들은 그들 자신의 매개 변수를 가지고 있으며, 그러나 우리는 어떤 가치를 사용해야합니까? 그리고 우리는 그들을 어떻게 골라야합니까? 다른 모델을 시험해 볼 수있는 것처럼, 당신은 또한 다양한 모델 파라미터를 시험해 볼 수 있습니다 이 과정은 하이퍼 파라미터 튜닝이라고 불리며, 어떤면에서는 여전히 연구 활동의 영역으로 남아 있습니다 그러나 그것이 당신이 그것을 이용할 수 없다는 것을 의미하지는 않습니다 개념적으로, 우리는 우리의 훈련을받습니다, 한 모델 만 교육하는 대신, 그 모델을 조정할 것입니다 다양한 변형을 만들 수 있습니다

그래서 우리는 다양한 변형에 대한 교육을 실시 할 것입니다 같은 기본 모델이지만 다른 모델 매개 변수를 사용하여 정확도에 미치는 영향을 확인하십시오 그래서 우리는이 모든 변형들을 훈련하고 평가할 것입니다 동일하거나 유사한 모델을 선택하고 어느 것이 가장 잘하는 지보십시오 그것이 우리의 매개 변수 선택을 알리는 방법입니다

그러나 당신은 많은 것을 실험적으로 보았습니다 당신은 그 (것)들을 작동하기 위하여 보는 시도해야한다 따라서 네 루프를 벗어나야 할 수도 있습니다 그래서 좋은 하이퍼 매개 변수를 선택하는 작업입니다 아마도 당신이 이것을 직관했을 것입니다

당신은 아마 기계 학습 문제로 변할 수 있습니다 그 자체– 모델의 매개 변수 최적화 당신이 기계 학습을 위해 사용하고있는 그러나 우리는 다른 대화를 위해 그것을 구해야 할 것입니다 그래서 우리는 데이터를 수집했습니다 우리는 그것을 준비하고 모델을 선택하고 그것을 훈련 시켰습니다 데이터를 평가하고 하이퍼 매개 변수를 조정했습니다

마침내 우리는 마지막 단계에 도달했습니다 그 예측을합니다 이것은 훈련의 전체 요점이다 처음에는 모델이었습니다 정말 정확한 정확성을 얻는 것이 아니라, 또는 서버에 열을 가할 수 있습니다

실제로 그걸로 뭔가 유용한 일을하는 것이 었습니다 그래서 예측을하면 모델을 선택합니다 우리는 어딘가에 그것을 배치하거나 우리가 그것을 격리시켜, 우리는 모델에 그것이 가지고 있지 않은 일부 데이터를 보여줄 수있다 훈련을받은 후 어떤 결과물을 보는지 그것은 예측한다 그리고 그것은 우리의 7 단계입니다

기계 학습의 개념적 7 단계입니다 실제로 실제로 어떻게 보이는지 봅시다 우리는 사물의 툴링 측면으로 돌아갈 것입니다 TensorFlow 외에도 사용하는 것을 살펴보십시오 실제로이 7 가지 단계를 어떻게 달성 할 수 있는지에 대해 설명합니다

그래서 우리는 몇 가지 코드를 살펴볼 것입니다 특히 두 가지 도구가 제공됩니다 우리가 손을 잡을 테니 추가 리소스도 참조하십시오 먼저 Co Lab이라는 도구가 있습니다 어떤 종류의 노트북 환경에서도 작업 한 적이 있다면 또는 REPL을 웹에서 사용하기 전에 기본적으로 브라우저에서 Python을 실행하는 방법입니다

그러나 파이썬 만 실행하는 것이 아니라 전체적인 노트북 환경입니다 마크 다운, 코드 실행, 기본적으로 Google 드라이브에 호스팅되기 때문에 다른 사람들과 공유 할 수 있습니다 이제 데모로 전환 해 보겠습니다 CO Lab을 사용하는 모습을 보여줄 수 있습니다 그래서 우리는 여기 – 나는 Co Lab을로드하고 우리는 다양한 명령을 실행할 수 있습니다

모든 것 우리는 기대할 것입니다 이제 우리는 여전히 연결되어 있습니다 Co Lab에서는, 그것은 노트북 환경이기 때문에, 자신의 파일을 업로드해야합니다 인터넷에 연결되므로 인증 할 수도 있습니다 물건을 끌어 내려요

필자의 경우에는 데이터 세트가 머신에로드되었습니다 그리고 우리는 그것을 다운로드 할 수 있습니다 그리고 판다가 여기에 실려 있습니다 따라서 우리는 데이터 세트를 살펴볼 수 있습니다 약속대로, 그것은 동물의 무리 다

그리고 많은 통계 자료들, 그리고 결국, 클래스 유형이 있습니다 그래서 Co Lab에서는 실제로 코드를 실행할 수 있습니다 화면에 – 음, 실시간으로 또한 Google 드라이브에서 모두 호스팅되기 때문에, 백그라운드에서 어떤 기계를 돌려야 할 필요는 없습니다 그냥 원활하게 작동합니다

그리고 다른 사람들과 의견을주고 다른 사람들과 의견을 나눌 수 있습니다 과– 거기에 우리가 간다 일반적으로 공동 연구를하거나 일을해야합니다 그래서 그것은 정말로 산뜻합니다 그래서

보자 내 생각 엔 시간이 좀있어 그러니 실제로 내가 여기서 뭘했는지 조금 지나쳐

우리는 데이터를 가져 왔고, 내가하고있는 일은 그것을 섞은 다음 데이터를 분할합니다 그래서 우리는 전체 데이터 세트를 가지고있었습니다 이 전체 데이터 세트는 101 개의 다른 동물로 구성됩니다 아마도 가장 작은 데이터 세트 일 것입니다 아마 내가 만났을거야

하지만 여전히 동일한 유형의 모범 사례를 수행해야합니다 이 경우, 나는 그것을 가져 와서 나누었습니다 교육 및 평가 데이터로 변환합니다 왜냐하면 내가 훈련을하기 위해 모두 101을 사용한다면, 내 모델을 평가하기 위해 무엇을 할 것입니까? 그래서 우리는 그것을 나눌 것입니다 이 경우 나는 60 %와 40 %의 비율을 선택했다

그 비율은 조정될 수 있습니다 그리고 우리는 우리가 볼 수 있습니다, 우리는 우리의 훈련 데이터 – 모든 60 값 그리고 우리는 아래의 평가 데이터를 가지고 있습니다 그리고 저는 약간의 전처리를합니다 이것은 귀하의 데이터 비트 처리입니다

특히 데이터 세트의 마지막 열은 레이블입니다 그것은 대답이다 올바른 유형의 동물의 1에서 7까지 그것은 파충류, 양서류, 포유류 등입니다 문제는 레이블이 1에서 7로 이동한다는 것입니다 그리고 나는 그들에게 6을 통해 0이 될 필요가있다 이 특별한 경우에 그래서 나는 그것을 하나씩 뺍니다

하나를 뺍니다 그리고 그게 전부입니다 아주 간단한 사전 처리 아마 더 큰 데이터가, 아마, 더 많은 일을 할 것입니다 그리고 우리는 우리의 데이터가 분명히, 나는이 일을하지 않았다

항상 코드를 실행하십시오 여기에 우리의 입력 함수는 매우 간단합니다 우리의 원시 데이터가 필요하며, 만약 우리가 그것을 원한다면, 데이터 세트에서 임의로 호출 할 수 있습니다 그리고 나는 필요에 따라 반복하고 배치를 청크로 만들었습니다 그래서 이것은 훈련에 바로 들어가게 될 것입니다

데이터 세트에 대한 이야기가 있었다고 생각합니다 구체적으로는 입출력이 빠릅니다 그래서 놓친다면 녹음을들을 수 있어요 또는 라이브 스트림을 롤백 할 수 있습니다 그래서 우리는 데이터 집합을 가지고 있습니다

또는 우리의 입력 기능 그리고 나는 세포를 다시 돌리는 것을 잊었다 고 생각합니다 그리고 이것은 제가 여기있는 작은 세포입니다 내 입력 기능을 시험해보기 위해, 작동하는지 확인하려면 – 항상 물건을 테스트하는 것이 좋다 그래서, 우리는 입력 기능이 실제로 있다는 것을 알 수 있습니다

깃털의 각 유형에 대한 모든 데이터를 반환합니다 알을 낳고, 공중에 무엇이 있고, 백본이 있는가? 그런 것들 따라서 각 배열은 일괄 처리 된 데이터를 나타냅니다 그리고 나는 또한 이것으로 놀고 있었다 각 열의 고유 한 값을 확인하는 것 대부분이 1과 0이라는 것을 확인하기 위해, 그러나 조금 이상한 몇 가지가 있습니다

예를 들어, 5 개의 다리가있는 동물이 있습니다 따라서 모든 데이터 세트가 완벽하지는 않습니다 TensorFlow는이 기능 항목 개념을 사용합니다 들어오는 데이터를 나타냅니다 모델은 매우 일반적이므로 기능 열을 사용하여, 특정 데이터 세트에 맞게 사용자 정의 할 수 있습니다

우리의 경우 모든 데이터 (모든 열, 그 중 숫자 17 인 17 개가 모두 그것을 숫자로 설정하십시오 그래서 그것은 단지 구성입니다 TensorFlow에 몇 개의 열과 어떤 유형이 있는지 알려주 들어오고있어 그래서 우리는 그것을 실행할 것입니다 그리고 일이 깨면 그것은 내가 셀을 실행하는 것을 잊어 버렸으므로, 그렇게되면 저에게 소리를 지르십시오

그리고 여기에 우리가 전에 본 선이 있습니다 모델 생성과 함께 여기서는 선형 분류자를 만들고, 해당 지형지 물을 가져오고, 7 개의 다른 클래스가 있다고 말하자 동물에 대해 가능한 다른 값 기차와 평가를 결합했습니다 기차를 타고 함수를 함수로 평가한다

편의를 위해, 그래서 그들은 둘 다 함께 달린다 나는 훈련 자료를 훈련시키고 싶다 평가 데이터에 대한 평가를 실행하고 싶습니다 이렇게 함께 배치하면 세포를 재실행 할 때 버그가 생기지 않도록하십시오 네가 따라갈 때

선형 모델을 실행한다고 가정 해 봅시다 우리는 그 방향을 돌립니다 따라서이 모든 것이 Google의 서버에 의해 뒷받침됩니다 그리고 명백하게, 그것은 그것의 달콤한 시간을 보내고 있습니다 그것이하는 동안 – 글쎄, 이건 끝났어

그래서 우리는 90 %를 얻었습니다 이것은 OK와 같습니다 맞습니까? 100 개의 행만있었습니다 우리는 훈련을 위해 60 명을 가져 갔고 평가를 위해 40 명을 사용했습니다 그래서 그것은 가장 신뢰할만한 척도가 아닙니다

여기에 도구가 있다는 아이디어가 있습니다 코드가 있습니다 이를 자신의 데이터로 바꾸어야합니다 이 데이터 세트보다 훨씬 좋을 것입니다 멋진 결과를 얻을 수 있습니다

따라서 약속대로, 심 신경 네트워크는 매우 유사합니다 그것은 문자 적으로 이전과 동일합니다 그러나 나는 그것을 숨겨진 단위로 바꿨다 나는 주목할만한 차이가 하나 있다고 생각한다 내가 이전 기능을 사용한다는 것입니다

우리가 전에 가지고 있었던 컬럼들 표시기 열에 그래서 이것은 선형 네트워크를 배치하기위한 공간 일뿐입니다 데이터를 심 신경 네트워크가 표현할 수있는 방식으로 변환합니다 그래서이 이야기의 범위를 벗어났습니다 하지만 그것은 단지 깊은 신경 네트워크를위한 조정입니다

선형 네트워크는 처리 할 필요가 없습니다 그래서 우리는 그것이 만들어 지도록 할 것입니다 죄송합니다 방금 새 셀을 만들었습니다 그래서, 그것은 또한 여기에서 과시하는 것이 좋습니다

따라서 우리는 매우 쉽게 코드 블록과 셀 블록을 생성 할 수 있습니다 그 사이에 모든 종류의 훌륭한 편집 작업을 할 수 있습니다 능력은 여기에 있습니다 그리고 당신은 그것을 markdown으로 바꿀 수 있습니다 셀을 실행합니다

그리고 거기에있을거야 그래서 깊은 네트워크 – 내가 이것을 도망 간다는 것을 잊어 버린다 어쩌면 우리는 그것을 다시 실행할 것입니다 모델을 더욱 밀어 넣을 수도 있습니다 여기 백분율은 때로는 불안정합니다

왜냐하면 그들은 – 평가 데이터에는 40 개의 값만 있기 때문에, 이것은 사실입니다 40 세가 넘는 사람들이 올바르게 받아들이고 있습니다 다른 것들은 틀린 것입니다 그래서이 경우 10 %, 아마도 약 4 % 잘못되었거나 3 ~ 4 개가 잘못되었습니다 그래서 몇 가지 예언을하고 놓친 것을 봅시다

TensorFlow에는 도트 예측 기능도 있습니다 마치 기차와 도트를 평가하는 것과 같습니다 그래서, 당신은 통과 할 수 있습니다 방금 평가 자료를 가져 와서 몇 장을 나눠 냈어 보십시오보기의보기

그래서 우리는 우리가 그렇게 할 때, 당신은 예측과 올바른 대답을 얻습니다 그래서이 경우, 내가 임의로 선택한 다섯 가지 일이 생겼어 그러나 우리가 잘못한 정확한 것을보고 싶다면 어떻게해야할까요? 그래서 이것은 내가 도망친 작은 실험이었다 단지 내가 궁금해서 – 어느 것이 선형 네트워크가 잘못되었는지 그리고 어떤 것들은 깊은 네트워크가 잘못 되었습니까? 이 경우에는 서로 다릅니다 그들은 같은 숫자의 잘못된 예측을 가지고 있습니다

그들은 모두 네 가지가 잘못되었지만 실제로는 다른 예 그리고 이것은 더 깊이 파고들 수있는 기회가 될 것입니다, 그걸 가지고 놀아 라 마지막으로 내가 추가 할 것은 Co Lab 또는 Co Laboratory입니다 GPU를 지원합니다 그래서 GPU를 토글 할 수 있습니다

큰 데이터 세트와 멋진 모델이 있다면, 그런 종류의 물건에 액세스하고 그 GPU를 얻고 싶습니다 슬라이드로 돌아가 봅시다 간단히 살펴보고 다른 도구를 살펴보십시오 CO 연구실 외에 다른 도구가 있습니다 우리는 매우 유사합니다

노트북 기반이기 때문에 들어 보셨을 것입니다 그것은 Kaggle이라고합니다 그리고 Kaggle이 대회로 가장 유명하지만 토론 포럼 및 데이터 세트, 또한 Kernels라는 기능이 있습니다 그리고 커널은 실제로 노트북의 멋진 이름입니다 그리고 커널은 이런 모습입니다

Co Lab에서 익숙해지기 시작할 수도 있습니다 파란색은 제외하고 그리고 커널은 몇 가지 미묘한 차이가 있습니다 첫째, 나는 ~하고 싶다 Kaggle Kernels의 데모로 전환 해 보겠습니다

우리는 그 모습을 볼 것입니다 어떻게한다는거야? 그래서 저는 이전에 Co Lab에서 가지고 있던 노트북을 가져갔습니다 나는 노트북 자체를 다운로드했다 IPython 노트북 파일로 Kaggle에는 데이터 세트가 있기 때문에 실제로 동물원 동물 분류 데이터 세트가 있습니다

정확한 데이터 세트를 얼마나 편리하게 선택했는지 그것은 이미 Kaggle에 존재합니다 그래서 새로운 커널을 클릭 할 수 있습니다 노트북을 고를거야 그리고 Kaggle Kernels는 파이썬에서 동작 할뿐만 아니라, R에서 실행하도록 선택할 수도 있습니다 R을 선호합니다

제가 할 수있는 일은 실제로 제가 할 수있는 일입니다 노트북 업로드 – 음, 먼저 그 노트를 다운로드해야합니다 그럼 그렇게 하죠 그래서 Co Lab에서 우리는 다운로드 할 것입니다 – 이것은 내가 크게 확대하는 것입니다 책을 다운로드하십시오

그런 다음 다운로드가 완료되면 그 노트를 다시 Kaggle Kernels에 업로드 할 수 있습니다 그래서 붐

커널과 동일한 노트가 있습니다 하나의 작은 비틀기가 있습니다 로컬 드라이브에서 파일을 업로드해야했기 때문에, Co Lab을 위해, 우리는 그것을 제거 할 것입니다 그리고 유일한 다른 조정은 Kaggle Kernels에서 데이터입니다 입력이라고하는 하나의 디렉토리에 있습니다

첫 번째 셀을 실행하면 우리는 아래로 나아갈 것입니다 우리는 데이터가 입력에서 살아 있음을 볼 것입니다 그리고 그것은 같은 종류의 것입니다 그리고 우리는 이미 노트북의 나머지 부분을 보았 기 때문에, 그것은 문자 적으로 같은 것입니다 재미있는 것은, 커널에서, 우리는 할 수 있습니다

어디 보자 이름을 지어 보자 그리고 우리는 그 노트를 저 지르 수 있습니다

그리고 Kaggle Kernels이하는 일은 그것입니다 새로운 신선한 환경에서 노트북을 운영 할 것이며, 당신이 속한 세션과는 별도로 그러면 모든 출력이있는 노트북이 생성됩니다 우리가 일종의 훌륭한보기 전용 형식으로보고있는 정말 공유에 유용합니다 왜냐하면 당신이 당신의 노트를 공유하고 싶다면, 그것이 실행 된 방법뿐만 아니라 다른 사람들에게도 마찬가지입니다 재현 가능한 노트북을 원한다면 우리가 여기에서 보는 것의 종류

그래서 우리는 수첩을 썼다 끝났다 그리고 그 스냅 샷을 볼 수 있습니다 그래서 GitHub 모델과 비슷합니다 당신의 노트를 버틸 수있는 것처럼 따라서 기본적으로 노트는 비공개입니다

그리고 우리는 여기서 일들이 도망가는 것을 볼 수 있습니다 나는이 모든 것들을 하나씩 수행 할 필요가 없었습니다 그리고이 세포들을 수동으로 작동시키지 않으면, 이전에, 내 결과를 얻기 위해 이처럼 위에서 아래로 그 종류의 버그를 잡는 데 도움이됩니다 도움이 될 것입니다 내가 내려올 때 길 아래로 내 공연 이번 주 또는 다음 달에

그리고 노트를 공유하면, 노트를 포크 할 수 있습니다 그들을 포크로 찍을 수 있습니다 당신은 또한 다른 사람들이 당신의 노트를 포크로 찍게 할 수 있습니다, 또한 노트북에 공동 작업자를 추가 할 수 있습니다 동일한 노트에 사용자를 추가 할 수 있습니다 그냥 그들을 포크보다

따라서 많은 훌륭한 공동 작업 모델이 있습니다 Co Lab 및 Kaggle 전체에서 특정 유스 케이스에 그리고 간단히 언급하면 ​​좋을 것 같습니다 Co Lab과 마찬가지로 Kaggle Kernels에서도 GPU를 사용할 수 있습니다 게다가

그래서 그것이 당신을위한 결정적인 요소가되도록하지 마십시오 Kaggle Kernels입니다 슬라이드로 다시 전환합시다 몇 가지 다른 작은 도구와 팁에 대해 이야기 해보십시오 그리고 속임수, 우리가 일을 마무리하기 전에

슬라이드로 다시 전환 할 수 있다면 굉장해 그럼, 당신은 노트북을 원하지 않는다고 가정 해 봅시다 예를 들어, 노트북을 사용해보십시오 그리고 그들은 단지 당신을위한 것이 아니 었습니다 또는 더 큰 작업 부하가 있습니다

장기 실행 작업을해야합니다 몇 시간 동안 뛰게됩니다 아니면 정말 큰 데이터 세트를 가지고 있거나, Kaggle Kernels에 맞지 않습니다 또는 로컬 디렉토리에 맞지 않는 경우, 그래서 수동으로 드라이브에 업로드하지 않을 것입니다 그런 다음 Cloud Machine Learning Engine과 같은 것을 사용할 수 있습니다

당신은 일자리를 차출 할 수 있습니다 – 장기간 일하는 – 분산 된 컴퓨터 집합을 가로 질러 실행될 수도 있습니다 모두 잠재적으로 GPU가 첨부되어 있습니다 일단 끝나면 모델을 제공 할 수 있습니다 당신은 그 예측을하고 싶다 그러나 아마 당신은 그것을 대규모로하고 싶습니다

당신은 앱을 만들고 있습니다 모델을 훈련하고 생성하려고합니다 세계에 예측을 제공 할 수있는 휴식 종점 그리고 기계 학습 엔진 또한 자동 스케일링 예측 서비스가 포함됩니다 글자 그대로 TensorFlow 모델을 사용할 수 있습니다

그것에게 이름을주고, 끝내라 말 그대로 파일을 가리키고 이름을 지정하십시오 다른 단계는 없습니다 왜냐하면 봉사 할 모델을 만드는 관점에서 다른 일은 할 수 없다 그것은 정말로 산뜻하다

그리고 당신이 scikit-learn 같은 것들로 작업한다면 또는 [INAUDIBLE] 부스트를 선택하고 해당 서비스를 제공하려는 경우, 우리는 그것들을 또한 가져갈 것이다 그래서, 당신은 작전을 처리 할 필요가 없습니다 기계 학습의 측면에서, 당신은 당신의 데이터로 놀 수 있고, 모델을 조정하고, 교육하고, 쉽게 배포 할 수 있습니다 그리고 나는 대부분이 대부분은 아니지만 많은 사람들이 기계 학습 API를 알고있을 수도 있습니다

또한 사용할 수 있습니다 이들은 다양한 작업을 수행하기 위해 사전 설정된 API입니다 그들은 좀 더 통조림입니다 자신의 데이터를 제공하지는 않지만 모든 것이 그냥 상자에서 작동한다는 것을 의미합니다 너는 뭔가가 필요해

너는 돌릴 그림이 필요해 설명으로, 당신은 텍스트로 바뀌어야 오디오가 필요합니다, 그냥 작동합니다 그래서 친절 해 그러나 물론 제한 사항은 사용자 정의 할 수 없다는 것입니다 귀하의 특정 사용 사례

아직 기다려야 할 것이 있습니다 조금 더 길어 Vision의 주목할만한 예외가 있습니다 따라서 자동 ML, Vision은 현재 알파에서 사용 가능하며, 그래서 당신은 그것을 신청할 수 있고 자신의 데이터를 제공 할 수 있습니다 자신의 Vision API를 교육하고 맞춤 설정합니다

그래서 그것은 깔끔한 측면 접선과 같습니다 이전에 보았던 애니메이션, 나는 오렌지와 파란 점들과 함께 보여 주었다 TensorFlow 놀이터에서 왔습니다 그래서 신경망으로 놀고 싶다면 귀하의 브라우저에서와 같은 것들을 토글 켜고 끄기 장난 만하면됩니다 TensorFlow

org 그리고 바로 그 일을 할 수 있습니다 그리고 걱정하지 마라, 당신은 그것을 깰 수 없다 브라우저를 통해서만 가능합니다 자신의 기계 만 깰 수 있습니다 그러면 다음은 무엇입니까? 우리가 방금 본 코드는 – 나는 그것을 공개했다

그것은 Kaggle 위에 있습니다 그래서 Kagglecom/yufeng/zoo-demo에 있습니다 TensorFlow에 대해 더 자세히 알고 싶다면, TensorFloworg로 향하십시오

셋째, 기계 학습 과정이 있습니다 구글이 최근에 발표했다 그리고, 만약 당신이 배우고 싶다면 – 정말로 잠수해라 기계 학습의 개념으로, 우리가 오늘 여기에서 이야기했던 것보다 더 멀리 나아 간다 저기로가

기본적으로 전체 커리큘럼이 있습니다 할 수있는 동영상 및 과제에 대해 기계 학습 지식을 축적하십시오 그리고 마지막으로, 기계를 다루는 데 관심이 있다면 클라우드에서 학습하면 넘어갈 수 있습니다 클라우드 돔, 하얀 텐트에 Google Assistant 돔 옆에 있습니다 또는 cloud over

Googlecom/mineinelearning으로 이동하십시오 또는 / ml이다 처음에 언급했듯이, 저는 비디오 시리즈를 호스트합니다 AI 모험과 같은 이름으로 우리는 재미있는 너겟을 탐험한다

기계 학습에 관한 각 에피소드에서, 한 번만 실습 데모를 시도해보십시오 흥미로운 사람들과 몇 차례 인터뷰를합니다 그래서 잘하면 당신은 그것을 확인하고 구독 할 것입니다 이 세션에서 저와 함께 해 주신데 대해 감사드립니다 우리는 정말로 – 세션에서 피드백을 정말 고맙게 생각합니다

정보, 그래서 일정에 이상 머리에하시기 바랍니다, 로그인하여 몇 가지 피드백을 줄 수 있습니다 고마워 [박수 갈채] [음악 재생]