Introducing Google Coral: Building On-Device AI (Google I/O'19)

[음악 재생] 빌 루앙 : 안녕하세요 Google 소개 I / O 세션에 오신 것을 환영합니다

산호 제 이름은 Bill Luan입니다 저는 Google Coral 팀의 프로그램 관리자입니다 모든 팀원을 대표하여, 너와 많은 사람들에게 따뜻한 환영 당신이 전세계 온라인으로보고 있습니다 우리와 함께 해줘서 고마워

산호 제품에 대해 이야기하기 전에, 업계를 간략하게 살펴 보겠습니다 트렌드, 왜 우리에게 보여 주는지 산호가 우리에게 중요 할 것입니다 스마트 장치 및 소위 말하는 IoT의 성장 – 사물의 인터넷 – 지난 수년 동안 엄청나게 성장했습니다 그리고 그것은 가장 큰 성장 기회 중 하나를 나타냅니다 앞으로 몇 년 안에 인터넷을 통한 많은 산업 동향 예측에 따르면, 당신이 볼 수있는 것과 인터넷에서 비슷한 것을 많이 볼 수 있습니다 PC, 노트북, PDA, 휴대 전화, 태블릿 등 5 ~ 6 개 년 약 110 억 설치 단위에서 성장할 것입니다 세계적으로 향후 5 년에서 6 년 사이에 약 120 억 이는 약 14 %의 성장률을 나타냅니다

그러나, IoT 스마트 장치, 성장 현재 설치 기반에서 약 80 억 단위의 비율 같은 기간에 전 세계적으로 210 억까지 성장할 것이며, 150 % 이상의 훨씬 더 큰 성장률을 나타냅니다 그래서 이것은 정말로 우리에게 성장 기회가 어디 있는지 말해줍니다 우리 모두를위한 혁신 기회, 세계 곳곳에있는 개발자를 위해 즉, 그들은 스마트 장치에 있습니다 따라서 스마트 장치 사용자는 계속 혁신의 관점에서 스마트 장치에 대한 관심을 키우고, 개발은 계속해서 성장할 것입니다 다음과 같은 몇 가지 핵심 요소가 있습니다

이러한 트렌드는 계속 앞으로 나아갈 것입니다 번호 하나 때문에, 증가 때문에 AI의 관점에서 전세계 관심사의 기계 학습, 발전 AI의 주요 연구 결과가 계속해서 커지고 있습니다 지난 몇 년 동안 사실, 연구 논문의 수 지난 몇 년 간 출판했다 기계 학습에서 그러한 논문의 총 수 이상이다 지난 10 년 동안 AI 기능이 더 많아 응용 프로그램을 만들 것입니다

보다 실용적인 장치에서 학습하는 인공 지능 기계의 기계 학습 모델이되기 때문에 가능하다 더 정확하고, 빠르며, 더 나은 성능, 산업은 계속해서 그들을 사용하는 데 관심을 가질 것입니다 에지에서 더 많은 장치가 기계 학습을 필요로하므로, 우리는 정말로 해결책이 있어야합니다 가장자리에있는 기기로 기기 학습을 가져옵니다 우리에게는 기술, 특히 하드웨어가 필요합니다

기계 학습 가속을 가져 오려면, 그 능력 장치에서 바로 요컨대, 스마트 장치의 성장 요구 장비 학습을 최첨단으로 가져옵니다 그리고 우리는 그것을위한 해결책이 필요합니다 그래서 Google이 당신을 위해 무엇을 만들 었는지 소개하겠습니다 전 세계 개발자들이 가능한 업계의 요구에 답할 수 있습니다

Google에서 산호를 소개합니다 새로운 흥미 진진한 기술 플랫폼입니다 전 세계의 개발자에게 기기 내 기계 학습 가속화 AI 구축 응용 프로그램을 쉽고 효율적으로 사용할 수 있습니다 그래서 이번 소개 세션에서 배울 점은 무엇입니까? 산호 제품 라인이 제공하는 것입니다 기계 학습 기능이란 무엇입니까? 산호 플랫폼과 기술로 구축 할 수 있습니다

세 번째로 용어의 유스 케이스는 무엇입니까? 응용 프로그램과 함께 기계 학습 배치 많은 산업 분야에서 그래서 저는 여기에서 제 지시를 가지고이 모든 것을 다룰 것입니다 산호초는 다음과 같이 설계되었습니다 장치에 기계 학습을 가져 오는 것, 응용 프로그램을보다 쉽게 ​​개발할 수 있습니다 프로토 타이핑 툴 생산을위한 플랫폼입니다 고속으로, 효율성으로

장치 기반 기계 학습을 개발하는 플랫폼입니다 하드웨어 구성 요소의 구성 요소 그룹을 제공합니다 고유 한 고성능 기계 학습 기능 제공 Edge 장치로 바로 연결하십시오 또한 완전한 소프트웨어 도구 세트를 제공합니다 애플리케이션을 개발할 수있게 해준다 인공 지능 기계에서 쉽게 학습 할 수 있습니다

그 외에도 Coral은 귀하가 사용할 수있는 중고 기계 학습 모델의 목록 장치에 신속하게 배포 할 수 있습니다 그래서 많은 사람들이 궁금해 할 것입니다 왜 그것을 산호라고 부릅니까? AI가 AI와 어떤 관련이 있습니까? 음, 자연 세계에서 산호의 본질을 보면, 산호는 실제로 활기차고, 포괄적 인 삶으로 가득한, 매우 열린 공동체 권리? 함께 살아있는 유기체, 그들은 공통의 이익에 기여하기 위해 함께 노력합니다 그리고 그것이 바로 우리가 고무시키는 것입니다

여러분 모두를 위해 업계를위한 플랫폼을 만들고 싶습니다 산호의 영감과 사명은 모든 사람들에게 활기찬 플랫폼을 제공합니다 가져올 애플리케이션 개발 및 공동 작업 AI 응용 프로그램을 장치에 연결합니다 우리는 어디에서나 개발자를 가능하게하고 싶습니다 AI 아이디어를 아이디어에서 비즈니스 솔루션으로 전환하는 방법 대규모 생산 배치 시제품 제작 쉽고 간단하게 그리고 마지막으로, 우리는 모두가 참여하도록 장려하고 싶습니다

기여하고 배우는 공동체 차원의 노력 기계 학습 모델을 함께 공유 할 수 있습니다 그래서 이것이 산호초의 이름입니다 그렇다면 왜 우리는 기계의 장점에 대해 이야기하고 싶습니까? 장치 학습? 그럼 무엇을 빨리 볼까요? 기계 학습의 요점 장치의 이점에 관해서 첫째로, 그것은 높은 성능 이점입니다 모든 것이 장치에서 계산되기 때문에 장치가 로컬에 있습니다

데이터를 다시 클라우드로 보낼 필요는 없습니다 권리? 높은 성능, 지역의 모든 것 훨씬 더 효율적으로 일을 할 수있게 해줍니다 또한 매우 중요합니다 바로 그 열쇠입니다 많은 응용 분야에서, 당신은 데이터가 장치에 남아 있기를 원합니다

특히 비즈니스 애플리케이션 시나리오에서 그렇습니다 일부 사용자 개인 정보 데이터는 서버로 전송 될 수 없으며, 클라우드로 보낼 수 없습니다 우리는 당신을 가능하게하는 기술이 필요합니다 고객이 해당 솔루션을 사용할 수 있도록합니다 또한 데이터가 로컬에 있기 때문에

장치의 오른쪽 센서에서 오는 모든 정보 접근 할 수 있고 계산에 사용할 수있다 귀하의 기계 학습 결과 바로 거기, 오히려 데이터를 클라우드, 서버로 보내야하는 것보다, 데이터를 계산하여 다시 보냅니다 권리? 그래서 이것은 이것을 보는 또 다른 방법입니다 훨씬 더 나은 성능입니다 모든 데이터를 로컬에서 감사 할 수 있기 때문입니다

다음은 오프라인 작품입니다 많은 시나리오가 있습니다 – 사물의 인터넷, 스마트 장치들 – 인터넷에 연결되어 있거나되지 않을 수 있습니다 실제로 대부분의 경우 클라우드 연결이 없습니다 그래서 당신은 여전히 ​​기계 학습을 원합니다 기능을 제공합니다

오프라인 장치 내 기계 학습 기능 그 일이 당신을 위해 일어날 것입니다 마지막으로 훨씬 더 효율적인 전력입니다 많은 가장자리 장치는 작습니다 그들은 큰 전원 공급 장치가 없습니다 또한 컴퓨팅 측면에서 높은 효율성이 요구됩니다

장치에 대한 계산 데이터를 다시 클라우드로 보낼 필요가 없기 때문에, 물론 대역폭을 절약 할 수 있습니다 네트워크에 Wi-Fi를 사용하도록 데이터를 전송하는 전원을 절약 할 수 있습니다 따라서 기계 학습의 이점 매우 강력한 기기 내 학습이 매우 강력합니다 이제 Coral 제품 라인을 간략하게 살펴 보겠습니다

우리는 업계에 무엇을 제공합니까? Coral 제품 라인은 두 가지 하드웨어 구성 요소를 모두 제공합니다 및 소프트웨어 구성 요소 하드웨어 측면에서 개발을 제공합니다 단일 국경 컴퓨터 인 보드에 개발자 응용 프로그램을 프로토 타입 화합니다 또한 Coral은 여러 센서를 제공합니다

를 사용하여 응용 프로그램을 빌드 할 수 있습니다 이미징 측면에서의 감각 데이터, 비디오, 환경 센서, 제작 데이터 입력의 일부로서 이용 가능한 것들 귀하의 응용 프로그램에 또한 소프트웨어 측면에서 우리는 소프트웨어 도구 변경의 완벽한 세트를 제공한다 운영 체제에서 SDK, 컴퓨터로 학습 모듈을 사용하면 쉽게 사용하고 신속하게 학습 할 수 있습니다 응용 프로그램을 빌드하십시오

그 외에도 우리는 상세한 종합 세트를 제공합니다 문서, 예제, 온라인 가이드, 데이터 시트 등 이들 모두는 Coral 웹 사이트에서 온라인으로 제공되었습니다 너희 모두에게 이제 우리는 산호 제품군에 무엇이 포함되어 있는지 알고 있습니다

조금 더 자세하게 살펴 보겠습니다 하드웨어 구성 요소의 측면에서 그래서 산호의 하드웨어 제품 우리는 당신에게 하드웨어 세트를 제공합니다 프로토 타이핑 및 응용 프로그램 개발과 관련하여 첫 번째는 Coral Dev Board입니다

당신이 그림의 여기에서 알 수있는 것에 따라, 약 150 달러에 소매됩니다 운영 체제가있는 단일 보드 컴퓨터입니다 온보드 및 기계 학습 기능을 제공합니다 두 번째는 USB 키이며 우리가 USB 가속기라고 부르는 것입니다 그것은 가장자리 칩 TPO 기계 가속 칩을 가지고 있습니다

장치에서 바로 이 USB를 모든 리눅스 머신에 넣을 수 있습니다 기계 학습 기능을 올바르게 구현할 수 있습니다 그 장치에 그리고 나는 나와 함께있는 사람들이있다

그리고 상대적인 크기를 보여주고 싶습니다 그것의 차원 이것이 코럴 데 보드입니다 보시다시피, 매우 작습니다 그것은 모든 단일 보드 컴퓨터입니다 커넥터에 필요한 입출력

이것은 USB 키입니다, 더 작습니다 그것은 당신이 사용하는 모든 USB 키에 전형적인 것입니다 그래서 이들은 현재의 두 컴퓨터 플랫폼입니다 당신은 응용 프로그램을 개발하는 데 사용합니다 그 외에도 우리는 두 개의 센서를 제공하며, 내가 말했듯이, 기계의 현장에서 감지 데이터를 가져 오는 것입니다

학습 응용 프로그램을 사용합니다 1 위는 5 메가 픽셀 자동 초점 카메라이며, 우리가 산호 카메라라고 부르는 것 둘째, 방금 며칠 전에 발표했습니다 여기에 새로운 환경 센서가 있습니다 보시다시피, 매우 작습니다

그리고 그것에는 디지털 디스플레이가 있습니다 그것은 당신이 온도, 습도, 빛 등등 이 입력 센서는이를 사용하고 빌드 할 수 있습니다 귀하의 응용 프로그램에 적합합니다 이제 이것들을 사용하여 프로토 타입을 작성하십시오

그러나 이러한 장치를 배포 할 때 최대 규모의 생산 환경으로, 우리는 당신이 태양을 가져갈 수 있도록 허용합니다 모듈을 개발 보드에서 가져온다 즉, 회로 기판의이 부분은 스냅 할 수 있습니다 제품에 포함시킬 수 있습니다 그리고 이것은 대용량 배포를위한 것입니다

그리고 볼 수 있듯이 개별 단위 가격은 약 115 달러입니다 또한 볼륨 배포에 대한 할인을 제공합니다 곧 다음 분기에 PCI-E 커넥터를 제공 할 예정입니다 PC 또는 산업용으로 연결할 수있는 기본 커넥터 PCI-E를 허용하는 PC 및 산업 장치 기계 학습 기능을 가져올 수있는 커넥터 그 장치에 왼쪽에있는 사람들은 당신이 귀하의 기계 학습 응용 프로그램을위한 프로토 타이핑을해야합니다

오른쪽에있는 건 – 오른쪽에있는 것은 대규모 배치를위한 것입니다 물론 센서와 카메라의 환경, 당신은 프로토 타이핑과 더 큰 대규모 배포로 중간에 위치합니다 좋아, Google Edge TPU에 대해 이야기 해 보겠습니다 이것이이 플랫폼의 핵심 인 센터입니다 기계 학습 기능을 장치에 가져옵니다

따라서 Edge TPU는 작은 응용 프로그램 별 원형입니다 Google이 특별히 설계 한 칩 장치에서 기계 학습을 최적화합니다 TensorFlow Lite를 사용하도록 설계되었습니다 기계 학습 모듈 또한 8 비트 quantile TensorFlow 모델 및 실행을 지원합니다

고효율의 온 – 디바이스 그것은 단지 2 와트 전력을 소모합니다 그리고 그것은 매우 빨리 달립니다 중간에 보이는 그림 페니에 대한 상대 크기를 나타냅니다 그래서 그것은 아주 작은 칩입니다

그리고이 크기의 동일한 모듈로, 많은 장치에 쉽게 내장 할 수 있습니다 그러면이 가장자리 TPU는 얼마나 빨라 집니까? 글쎄, 일반적인 시간에, 우리가 온라인으로 출판하는 것, Edge TPU의 성능 속도 초 당 약 4 조 연산으로 계산을 실행합니다 따라서 일반적으로 4 가지 TOPS입니다 당신은 물어볼 수 있습니다, 글쎄, 얼마나 빨리 실제로 기계 학습 모델을 실행합니까? 이 비교표를보십시오 우리는 매우 일반적으로 사용되는 벤치마킹 몇 가지를 주로 사용했습니다

비전 머신 학습 모델, MobileNet, Inception 우리는 dev 보드 또는 Edge TPU USB를 실행 중입니다 강력한 CPU 또는 임베디드 CPU에 대해 실행되는이 두 가지 모두에서, Xenon 64 비트 CPU와 같은 강력한 데스크탑 CPU 또는 임베디드 세계의 ARM CPU 비교해 보면이 표에서 알 수 있듯이, 가장자리 TPU의 기계 학습 능력 속도 필요한 시간의 일부만 실행합니다 데스크톱 CPU와 임베디드 CPU에 비해 그래서 훨씬 더 빠릅니다 이제 여러분 중 일부는 말합니다

이들은 단지 벤치 마크 번호입니다 예를 들어 있습니까? 현실 세계의 예를 보여 주실 수 있습니까? 그리고 나는 그렇다고 말합니다 베타 사용자 중 한 명에게서 예제를 빌려 드리겠습니다 Coral 베타 온라인 포럼에 게시했습니다 그는 말하기를, 나는 온라인 트래픽을 모니터링하는 앱을 만들고있다

실시간 10, 20 대의 자동차를 실시간으로보고 있습니다 나는 모바일 넷을 상자에서 꺼내기 만하면된다 별로 조정하지 않고 그리고 저는 산호 제품을 사용했습니다

초당 약 48 프레임의 성능을 달성 할 수 있습니다 이는 초당 30 프레임과 매우 유사합니다 GTX 980 GPU와 비슷한 장비의 CPU를 사용합니다 이제 게임 기계를 만드는 당신의 경우, 당신은 HTX 980 GPU와 CPU, 무슨 소리 야? $ 500에서 $ 1,000의 장비 비용 그러나 Coral Dev Board에서는 150 개에 불과합니다

동일한 결과를 얻을 수 있습니다 그래서 이것은 비용과 성능을 말해줍니다 산호 제품의 장점 이제 Dev Board에 대해 조금 더 이야기 해 보겠습니다 대부분의 엔지니어가 엔지니어이기 때문에 그것의 기술적 인 스펙을보고 싶다

내가 조금 지나갈 게 먼저, Dev Board에서 볼 수 있듯이 또는 내 손에, 그것은 프로토 타입 개발 보드입니다 온보드 기기를 직접 개발할 수 있습니다 응용 프로그램에서 학습 기능 그것은 완전한 컴퓨터입니다 그것은 CPU를 가지고 있습니다

그것은 GPU를 가지고 있습니다 온라인 메모리가 있으며 Linux 운영 체제도 실행합니다 시스템에 연결하십시오 그것은 모듈 형 디자인을 사용합니다 – 우리가 SOM이라고 부르는 것은 무엇입니까? SOM– 시스템 모듈 설계, 다시 말하면, 이 SOM 회로 기판을 스냅 할 수 있습니다 귀하의 제품에 배치하십시오

모듈 디자인을 통해 프로토 타입에서 배포까지 더 쉽게 수행 할 수 있습니다 그것은 당신에게 많은 I / O 커넥터를 허용합니다 개발 도중 많은 액세서리에 연결하려면, 모든 것을 정말 쉽습니다 Dev Board의 사진이 있습니다 보시다시피, 필요한 모든 I / O 포트가 포함되어 있습니다

HDMI와 같은 두 장치를 연결하려면 디스플레이에 연결; 연결할 USB 커넥터 카메라, 키보드, 모니터 등 이더넷 커넥터는 물론 또한 물론 Wi-Fi와 블루투스가 연결되어 있습니다 Wi-Fi를 통해 인터넷에 연결됩니다 승인

약간의 기술 사양에 대해 자세히 이야기합시다 CPU는 CPU 칩에 NXP 쿼드 코어를 사용합니다 보시다시피 제품은 매우 빠릅니다 853은 초고속 CPU 칩입니다 또한 GPU도 지원했습니다

그리고 온보드 암호화 칩을 가지고 있으며, Google 클라우드에 안전하게 연결할 수 있습니다 그것은 1 기가의 온보드 RAM과 8 기가 플래시 메모리를 가지고 있습니다 응용 프로그램을 배포 할 수있는 충분한 공간 그것은 Wi-Fi, 블루투스를 지원하며, 5 볼트 표준 전원 공급 장치 커넥터 측면에서 보면 USB 2

0 및 USB 30 속도 연결을 지원하며 USB Type C 및 유형 A 커넥터 오디오 및 비디오 카테고리에서 볼 수 있듯이, 그것은 모든 AV 연결을 지원합니다 특히 풀 1080p 비디오 디스플레이 용 풀 사이즈 HDMI 20 커넥터

그것은 마이크로 SD 카드를 가지고있어 더 많은 소프트웨어를 내장 할 수 있습니다 기가비트 네트워크를 지원합니다 또한 I / O 연결을위한 GPIO 40 핀이 있습니다 데비안 리눅스의 특별한 버전을 지원합니다 우리는 Mendel을 Edge TPU를 지원하기 위해 전문화했기 때문에 호출해야합니까? 기능

그리고 기계 학습 모델은 대부분의 일반적인 비전 머신 학습 모델 지원 MobileNet, Inception과 같은 소형 장치, 모바일 장치에서 효과적입니다 특히이 GPIO 연결에 대해 이야기하고 싶습니다 제작자 인 여러분 중 상당수는 Raspberry Pi를 사용하여 프로젝트를 만드는 데 익숙합니다 Raspberry Pi에는이 40-ping GPIO 커넥터가 있습니다 개발자위원회 – 데브 보드 – 당신은 똑같은 일을 할 수 있습니다

Raspberry Pi 40-ping GPIO와 호환됩니다 그래서 과거에 해왔 던 모든 일을 위해 외부 조명, 스위치에 연결, GPIO 포트 사용, 포스트 폭 변조를 사용하여 제어 단계 모터, 과거에 라스베리 파이로 한 모든 일, 당신은 아주 쉽게 Dev Board와 함께 할 수 있습니다 그렇다면 Dev Board를 어떻게 사용합니까? 개발 및 배포 내가 설명했듯이 개념적으로는 매우 쉽습니다 이미 이걸 보셨 겠지 프로토 타입을 작성하면 개발 보드를 사용합니다

이 모든 커넥터를 활성화하십시오 스위치, 센서, 온도 게이지, 네가 원한다면 모니터에 연결할 수 있습니다 키보드에 연결할 수 있습니다 당신은 바로 거기에서 개발을합니다

왜냐하면 그 운영체제 장치에서 울립니다 끝나면 SOM 모듈을 벗겨냅니다 Dev Board에서 플러그를 뽑습니다 그리고 내가 말했듯이 많은 SOM 모듈을 구입할 수 있습니다 권리? SOM 모듈을 어떤 제품에도 배치 할 수 있습니다

당신은 말하자면 똑똑한 냉장고, 똑똑한 세탁기 개발하는 응용 프로그램에 따라 다릅니다 그래서 이것은 정말로 쉽습니다 제품 패키지의 프로토 타이핑 및 배포에 사용됩니다 승인? 괜찮아

우리는 개발위원회에 대해 이야기했습니다 두 번째 제품에 대해서도 간단히 설명하겠습니다 이것은 Coral USB Accelerator입니다 이 작은 일이 여기에 있습니다 다시 말하지만, 작은 USB 키가 있습니다

모든 Linux 컴퓨터의 USB 슬롯에 연결하십시오 그것은 온보드 Edge TPU를 가지고 있으며, 기계 학습 기능을 가지고 있습니다 플러그를 꽂은 모든 기기에서 바로 사용할 수 있습니다 또한 데비안 리눅스뿐만 아니라 리눅스도 지원합니다 비슷한 라스베리 리눅스 또는 라즈베리 파이 (Raspberry Pi)에 사용 된 방식과 동일합니다

그래서 이것을 연결하고이 키를 사용할 수 있습니다 그리고 Raspberry Pi와 함께 작업하십시오 그래서 더 많은 기회를 열어줍니다 당신이 개발을하기 위해 따라서 Coral Accelerator의 이점, 1 위, 당신이 상상할 수있는 것처럼, 기계 학습 더 많은 기계로 원하는 경우 랩톱에 연결할 수 있습니다

랩탑이 특별판의 리눅스를 실행한다면 그리고 라스베리 파이 (Raspberry Pi)에 연결할 수 있습니다 많은 하드웨어와 호환됩니다 과거에 라스베리 파이가 지원 한 것 그래서 PC뿐만 아니라 랩톱, Raspberry Pi, 산업 시스템

[INAUDIBLE] 상자는 USB 플러그를 지원합니다 이 키만 꽂으면됩니다 귀하의 기계 학습 응용 프로그램을 배포 할 수 있어야합니다 따라서 Coral USB Accelerator는 저렴한 비용으로 편리한 방법입니다 AR에 프로토 타입을 제작하는 실험

승인 그래서 우리는 하드웨어에 대해 이야기했습니다 소프트웨어 측면에 대해서도 이야기하겠습니다 Coral의 툴체인 전체 제품군 당신이 기계 학습을 할 수있게 해줍니다 응용 프로그램

따라서 소프트웨어 구성 요소를 살펴 보겠습니다 구성 요소 수준에서 산호 소프트웨어 조각 하드웨어가 함께 작동합니다 그래서 Coral Dev Board에서는 리눅스뿐만 아니라 기계, 원한다면, 그리고 맨 아래 층 당신은 하드웨어를 가지고 있습니다 그리고 멘델 리눅스는 그 위에 움직이고 있습니다 그들은 운영 체제와 대화하고 하드웨어와 대화합니다

그리고 Coral, 우리는 C / C ++ 라이브러리 API 직접 액세스를 개발했습니다 운영 체제 및 하드웨어 이렇게하면 직접 액세스 할 수 있습니다 운영 체제가되는 모든 것 당신을 통제 할 수 있습니다 기계 학습 모델이 있다고 가정 해 봅시다 TensorFlow 모델입니다

TensorFlow Lite 모델 우리는 Edge TPU 컴파일러를 제공하여 컴파일, 컴파일 된 TensorFlow Lite 모델 가져 오기 Edge TPU와 호환되는 이진 형식으로 변환합니다 따라서 애플리케이션이있는 경우 C / C + API에 액세스 할 수 있습니다 장치에서 기계 학습 모델을 바로 실행 하드웨어 레이어에 액세스 할 수 있습니다 그러나 우리는 많은 기계 학습 프로그래머는 당신처럼 파이썬을 사용하고 있습니다

따라서 Coral 소프트웨어는 Python 라이브러리 또는 Python SDK도 제공합니다 그것은 당신을 허용 높은 수준의 래퍼입니다 Python 프로그래밍 언어를 사용하여 쉽게 액세스 내가 방금 이야기 한 모든 기능, 기계 학습 모델에 액세스 할 수 있어야합니다 하드웨어에 액세스 할 수 있어야합니다 그리고 파이썬 코드를 I / O 컨트롤 등에 작성할 수 있습니다 그래서 이것은 완전한 환경입니다

함께 작동하는 여러 구성 요소로 우리가 당신을 위해 제품에 넣은 AI 개발을 가능하게합니다 그래서 파이썬 API는 매우 간단합니다 파이썬으로 프로그래밍 한 많은 사람들에게, 우리는 Coral 웹 사이트에서이를 게시합니다 모든 Python API의 기본 클래스 기계 학습을 개발하는 데 사용할 수있는 응용 프로그램 나는 중간 2에주의를 기울일 것이라고 말할 것이다

그것들은 아마도 당신이 가장 많이 사용할 것입니다 하나는 객체 감지입니다 하나는 객체 분류입니다 그리고 그들을위한 기본 엔진 기본 클래스 분류 엔진 (classification engine)이라고 불리는 것이고, 하나는 탐지 엔진이라고합니다 그래서 매우 간단합니다

여기서 마지막으로 본 것은, 우리가 각인이라고 부르는 것입니다 엔진, 그것은 이동 학습을위한 무언가이다, 나는 몇 분 안에 이야기 할거야 이것은 당신이 효율적으로 개발할 수있는 것입니다 파이썬 API 라이브러리의 맞춤형 기계 학습 모델 우리가 제공했습니다 그것도 지원합니다

이제 예제를 간략하게 살펴 보겠습니다 실제로 어떻게 파이썬 코드를 사용하겠습니까? 기계 학습 모듈과 상호 작용하는 모델 우리가 공급하는거야? 그래서 내가 객체를 사용하여 프로그램을 개발하고 싶다면 탐지 모델, 파이썬 코드에서 단순히 엔진을 초기화 할 것입니다 그 기본 클래스 인 DetectionEngine을 사용합니다 그룹 구성원의 기본 클래스, 구성원 함수, 당신은 데이터를 사용하고 시작하고 이야기하기 시작합니다 기계 학습 모듈로 그래서 여기서 엔진을 시작하십시오

또한 소위 레이블 파일을로드해야합니다 왜냐하면 당신이 많은 수의 물체들을 탐지하기를 원한다면, 당신은 라벨로 그것들을 식별하고 싶습니다 레이블 파일을로드합니다 그리고 당신이 기계 학습을 먹이기를 원한다고 가정 해 봅시다 모델 – 개체 감지 모델 – Image를 사용하여 이미지로드 파일

그리고 물론, 대부분의 사람들은 Vision에서 기계 학습 모델을 사용 해왔다 당신은 사진 속의 물건을 식별 할 수 있다는 것을 알고 있습니다 또는 비디오 화면에서 객체를 식별 할 수 있습니다 이 경우, 그것은 텐서의 벡터가됩니다 하지만 여기서 저는 이미지를 사용하는 간단한 예제를 사용하고 있습니다

그리고 기계 학습 모델과 상호 작용하는 코드 매우 간단합니다 간단한 선 엔진에서, 회원 클래스, 당신은 단지 이미지와 함께 감지 말한다 그리고이 이미지에 매개 변수를 전달합니다 반환 된 결과는 대답이 돌아 왔습니다

이 호출에서 테두리 상자를 그리는 것과 같이 사용할 수 있습니다 색상을 지정하고, 바인딩 상자를 그립니다 당신이 탐지하고 있습니다 그래서 매우 간단합니다 우리는 사용할 수있는 기계 학습 모델 그룹을 제공합니다

산호초는 제품에 포함됩니다 우리는 그들을 웹 사이트에 올려 놓습니다 무료로 다운로드 할 수 있습니다 미리 컴파일 된 TensorFlow Lite 모델이 있습니다 당신이 사용할 수 있습니다

더 이상 컴파일하지 않고도 쉽게 실행할 수 있습니다 그리고 하드웨어에 다운로드하기 만하면됩니다 Edge TPU 모듈 – 파이썬 모듈 – 이미 있습니다 Deb Board에 설치되었습니다 따라서 아무 것도 할 필요가 없습니다

이제 Python 프로그래밍 코드를 사용할 준비가되었습니다 방금 전 보여준 예가 그 것입니다 그러나 USB를 사용하는 경우 리눅스 머신을 사용하고 싶습니다 이 Python 모듈을 수동으로 설치해야합니다 앞서 언급 한 것처럼 Python API가 사전 설치되어 있습니다

권리 그래서 그것이 당신이해야 할 일입니다 나는 그런 많은 모델들에 대해서 언급하고 싶다 우리는 당신이 사용할 수 있도록 무료로 온라인으로 공급합니다 – 이들은 비상업적 용도로만 사용됩니다 즉, 모델을 만들고 싶다면, 돈을 위해 팔고 싶다고 가정 해 봅시다

그러면 자신 만의 모델을 만들어야합니다 오픈 소스 무료 모델을 사용하는 대신 비상업적 용도입니다 승인? 제공된 모델에는 앞서 언급 한 범주가 포함되어 있습니다 이미지 분류, 물체 감지, 체중 감기라고하는 것뿐만 아니라 그것은 다시, 양도 학습을위한 것입니다 그리고 저는 그것에 대해 잠시 후에 이야기 할 것입니다

그래서 여기에 모델의 몇 가지 예가 있습니다 온라인으로 사용할 수있게하십시오 그리고 여기에 이미지 분류 모델이 있습니다 보시다시피 우리는 거의 모든 인기있는 이미지 분류를 지원합니다

MobileNet에서 시작까지의 모델 그리고 다른 버전의 MobileNet, 다양한 버전의 Inception 그들 사이의 차이점은 유형 그들이 식별 할 수있는 객체의 예를 들어, 응용 프로그램을 개발하려는 경우 다른 새들의 차이점을 말하기 또는 다른 식물을 선택하면 해당 모델을 선택하게됩니다 쓰다 승인 그걸로 두 가지 데모를 드리겠습니다

첫 번째 데모 개체 감지 모델을 보여 드리겠습니다 그리고 두 번째 데모는 내가 너에게 보여줄거야 객체 분류 모델입니다 그래서 비디오 제작자는 디스플레이를 전환하십시오 여기 카메라에

그래서 여기 테이블에, 당신이 볼 수 있듯이, 이 컨베이어 벨트로이 데모를 만들었습니다 나는 실시간 교통을 시뮬레이션하고있다 여기 카메라가 그것을 가리키고 있습니다 화면에서 볼 수 있듯이 카메라 이 산호초 개발위원회에 들어갑니다 실시간으로 그것은 객체의 수를 식별합니다

그것은 차임을 보여줍니다 그것은 또한 소위 신뢰 점수를 보여줍니다 – 모델이 자동차라고 얼마나 자신 있다고 생각합니다 그러나 컨베이어 벨트 위에서 볼 수 있듯이, 나는 또한 사람이나 보행자가 있습니다 하지만 지금 내가 할 일은 내가 "윙크" 이 영화를 만들어라 승인

그래서 나는 권력을 켤 것입니다 그리고 나는 그것을 달릴 수있는 속도를 올릴 것입니다 이제 실시간 세계에서,이 움직이는 것처럼, 너는 화면을 보았다 기계 학습 객체 탐지 끊임없이 일어나고 있습니다 그것은 계속해서 올바른 자동차 또는 보행자를 식별하며, 또는 교통 신호등도 있습니다

권리? 산호의 성능을 볼 수 있습니다 장면이 진행됨에 따라 매우 높을 수 있습니다 이제 왼쪽 하단에주의를 기울여주세요 화면 또는 화면의 왼쪽 상단 모서리에있는 초당 프레임 속도를 보여줍니다 지난 번에 50을 보았다

초당 70 프레임 매우 빠른 성능입니다 자, 제가 속도를 조금 더 빨리 가도록 크랭크 업 시키면, 당신은 용어로 기계 학습을 볼 수 있습니다 객체 식별 캡처의 작업이 아직 진행 중입니다 권리? 자동차를 계속 식별 할 수 있습니다

이 빠르게 움직이는 환경에서 그래서 이것은 실제로 힘을 보여주는 것입니다 이 산호 장치에서 바로 실행중인 개체 탐지 승인? 이것이 첫 번째 데모입니다 [박수 갈채] 고맙습니다 예, 박수 갈 수 있습니다 너희들이 훨씬 더 재미있게 지낼 수 있기를 바란다

응용 프로그램을 산호초의 힘을 당신의 상상력으로 가져 오십시오 당신의 혁신에 괜찮아 다음은 객체 분류를 보여줍니다

그래서 여기에 다른 데브 보드가 있습니다 그리고 그 결과 – 디스플레이에서이 카메라의 출력으로 전환하십시오 그래서 내가 할 일은 몇 가지 음식 품목이 있습니다 책상 위에 이 카메라가 다른 유형을 식별하게 할 것입니다

개체의 여기에 햄버거를 넣으라고합시다 그리고 왼쪽 상단 구석에서 볼 수 있듯이, 그것은 어떤 신뢰 점수로 물체를 식별하려고합니다 조명 조건에 따라 다르지만, 잘하면 햄버거를 볼 수 있습니다 네 당신은 빛과 함께 올바른 각도로 조준해야합니다

이 도넛을 시험해 봅시다 도넛 말인가요? 그것은 도넛으로 나타 났습니까? 승인 우리는 샌드위치를 ​​시험해 볼 수도 있습니다 승인? 마지막으로, 나는 이국적인 것을 시도 할 것이다 초밥을 가정 해 봅시다

승인 그래서 이것은 당신이 객체 분류 작업을 할 수있는 방법입니다 단순히 객체 분류 모델 중 하나를 실행함으로써 오른쪽 장치에 다시 말하지만, 이들 중 어느 것도 인터넷에 연결되어 있지 않습니다 어떤 데이터도 클라우드 나 서버로 전송되지 않습니다

모든 장치에서 경쟁이 일어나고 있습니다 승인? 큰 고맙습니다 [박수 갈채] 괜찮아 슬라이드로 다시 전환하십시오

이제 우리는 어떻게 사용하는지에 대해 이야기합니다 Coral은이를 구현하기 위해 미리 컴파일 된 모델을 제공했습니다 그러나 당신 스스로 뭔가를 만들고 싶다면 어떻게해야할까요? 모델을 사용자 정의하고자합니다 글쎄, 여기가 전송 학습이 들어오는 곳입니다 전송 학습, 시간 절약에 도움이됩니다

자신의 모델을 구축하는 측면에서 그리고 기본적으로 사전 훈련 된 모델을 필요로합니다 Edge TPU와 호환됩니다 그리고 당신은 당신의 관련 업무에 대해서만 그것을 취합니다 사용자 지정 데이터를 사용하여 개념에서, 신경 네트워크는 뉴런의 깊은 층

승인? 이 전체 모델을 훈련시키고 싶다면 – 사실, 나는 내 동료 중 한 명에게서 그것을 들었다 지상에서 위로 모델을 개발 한 사람 비전 모델을 교육하기 위해 4,000 개 이상의 GPU가 필요합니다 그리고 며칠이 걸립니다 그러나, 모든 것을 훈련하는 대신에, 상단 레이어 만 수정하면됩니다 이것이 이전 학습 개념입니다

하위 레이어 때문에, 그 뉴런 말하자면, 서로 다른 색깔을 감지하려하고 있습니다 다른 모양, 다른 조명 조건 사물을 식별하는 데 도움이 될 수 있습니다 네가 신경 쓰는거야 모델 식별 정보를 작성한다고 가정 해 보겠습니다

다른 사과 전체 모델을 교육 할 필요는 없습니다 당신은 분류 모델을 취하고, 상위 계층 만 수정합니다 사용자 정의 된 데이터로 교육 많은 다른 사과와 그래서 이것은 전학 학습이하는 것입니다

그래서 코드를 전송 학습도 할 Coral의 Python 환경에서 매우 간단합니다 기본적으로, 당신은 이전 학습을 준비하고, Docker 컨테이너를 설정합니다 사용할 모델을 지정하십시오 이 경우 예를 보여 드리겠습니다 나는 MobileNet 버전 1을 사용하고있다

그리고 몇 가지 최상위 레이어를 훈련시키려는 경우, 당신이 사용하기를 원하는 단일 명령 – 훈련을 시작하십시오 그리고 다시, 당신은 매개 변수를 제공합니다 모델명으로 그러나 전체 모델을 교육하려는 경우, 너는 그것도 할 수있다 하나 더 추가 하는가? 추가 플래그, 교육, 전체 모델, 플래그 참된

따라서 일단 시스템의 콘솔에서이 코드를 실행하면, 기본적으로, 콘솔은 당신에게 보여줄 것입니다 취할 단계별 교육 진행 얼마나 많은 시간이 걸리는지의 관점에서 말입니다 그래서 당신이하는 것은 매우 간단합니다 그것은 환경에서 – 리눅스 환경에서 그래서 그걸로 당신을 위해 또 다른 데모를 해봅시다

이것을 가르 칠 수있는 기계라고합니다 우리는 이것을 오픈 소스로 게시 할 것입니다 가까운 장래에 같은 일을 할 수 있습니다 근데 기본적으로 네가 여기 보이는 것을 너에게 보여줄거야 나는 그것을 기억하는 기계를 만드는 법을 가르 칠 것입니다

그래서 비디오 카메라, 비디오 그래퍼, 우리 이 이미지가 있어야합니다 그래서 여기 책상에서 당신이 보는 것, 실제로 그것은 기반으로 만들어졌습니다 이 USB에 Raspberry Pi가 있습니다 그래서 Dev Board보다 더 많이, Raspberry Pi를 사용할 수 있습니다 응용 프로그램을 빌드합니다

여기에 데모가 조금 있습니다 카메라가 있습니다 포인트 그리고 나는 다른 대상을 가지고 있습니다 그래서 내가 버튼을 눌러서 가져 가면 – 내가 버튼을 칠 때마다, 그것은 찍고 이미지를 찍는다

이 햄버거 중 몇 가지 이미지를 기억합니다 이 햄버거의 이제 내가 다른 물건을 가져 가면 제 2 물체의 다른 그룹의 사진, 그것은 이미지를 기억합니다 녹색 버튼으로 아이스크림을 먹을거야 그리고 마지막으로, 빨간색 버튼으로이 도넛을 먹을 것입니다

여기서 백그라운드에서 어떤 일이 일어나는지, 이 프로그램은 전송 학습을 수행하며, 기존의 객체 분류 모델, 마지막 레이어를 방금 찍은 이미지로 바꿉니다 이제 이것을 보아라 이 햄버거를 다시 넣으면 황색 불이 들어옵니다 그것은 기억한다 아이스크림을 넣으면 녹색 표시등이 켜집니다

나는 당신이 비디오에서 볼 수 있기를 바랍니다 예 이 도넛을 가져 가면 푸른 빛이 켜집니다 이제 그 이상 잠시 전에, 나는이 녹색 아이스크림으로 훈련을했다

권리? 녹색 불빛 노란색 아이스크림을 넣으면 기억합니다 그것은 단순히 색상 이상으로 모델을 학습하는 기계이기 때문에, 또한 모양을 식별합니다 이 모양과 모양이 다르기 때문에, 모델은 더 빠르고, 똑똑하다 개체 사이의 차이를 알 수 있습니다

다시 한번 이것은 하나의 예제입니다 당신은 능력으로 물건을 만드는 데 사용할 수 있습니다 인터넷없이 장치에 분류 권리의, 그런 작은 USB 키로도 제작할 수 있습니다 권리? 아주 강력한 것들 [박수 갈채] 고맙습니다

승인 슬라이드로 다시 전환하십시오 그래서 이것의 결과는 엄청납니다 권리? 산업 환경에서 상상해보십시오 당신은 사물을 식별하고 싶습니다

좋은 위젯을 조립할 때 나쁜 위젯으로부터 알리고 싶다 예를 들어, 라인 조립 라인을 훈련 할 시간이 없습니다 자동 분류 기계 전송 학습을 사용하고 다른 객체를 배울 수 있습니다

즉석에서 그래서 매우 강력합니다 애플리케이션을 끝없이 구축하는 데 사용할 수 있습니다 그러한 능력을 사용한다 괜찮아

그래서 우리는 이전 학습에 대해서 이야기합니다 사용자 정의 된 모델을 작성하는 방법에 대해 설명합니다 방법에 대해 좀 더 자세히 설명해 드리겠습니다 산호 모델을 사용하십니까? 승인 그래서 우리는 미리 컴파일 된 모델 세트를 제공했다

너를 위해서 이것은 실제로 사건 번호 1입니다 사용자 케이스 번호 1 매우 간단합니다 우리가 제공하는 산호 모델을 다운로드하면됩니다

다시 컴파일 할 필요가 없습니다 장치를 다운로드하여 설치하면됩니다 승인 두 번째 시나리오는 기존의 모델, 미리 훈련 된 그러나 사용자 정의 전송 학습을 사용합니다

자신의 데이터로 그러나 작업을 완료 한 후에는 아직 호환되지 않습니다 산호 널과 당신은 컴파일해야합니다 산호가 제공하는 산호 컴파일러를 사용합니다 그리고 그것을 컴파일합니다

TensorFlow Lite 파일의 최종 결과입니다 Edge TPU Coral 하드웨어에 다운로드합니다 그리고 거기에서 도망 갈 수 있습니다 이제 저는 지금 당장 코랄 컴파일러에 대해 말하고 싶습니다 Google Cloud Platform에서만 실행됩니다

그러나 곧 우리는이 컴파일러를 만들 것입니다 독립 실행 형 실행 파일, 다운로드 가능 인터넷에 당신을 위해 사용할 수 있습니다 따라서 사용자 사례를 구축하고 싶습니다 너 자신에 의해 전체 모듈 이것은 사용자 정의가 실제로 필요한 것입니다

기존 모델이 당신을 만족시키지 못한다 당신도 그렇게 할 수 있습니다 그래서이 경우에, 당신은 필요할 것입니다 – TensorFlow로 시작하여 거기에서 모델을 구축하십시오 그럼 저와 관련된 단계에 대해 이야기하겠습니다 나만의 맞춤형 모델을 만드는 워크 플로 다음과 같습니다

TensorFlow 모델은 모두 아시다시피, 그것은 32 비트 부동 소수점 모델입니다 권리? 그리고 지금은 산호초에서 사용할 수 있습니다 Coral 장치는 TensorFlow Lite가 필요하기 때문에 Edge에서 실행되며 메모리가 거의 필요하지 않습니다 따라서 TensorFlow 모델이 효과적입니다 TensorFlow 모델을 선택하십시오

당신은 그것을 1 단계로 변환합니다 당신은 양자화 된 버전으로 훈련으로 변환합니다 그래서 교육 과정이 있습니다 양자화 – 인식 훈련 TensorFlow 모델을 변환합니다

양자화 된 TensorFlow 모델로 변환합니다 그래서 기본적으로 32 비트 부동 소수점을 변환합니다 8 비트 정수 기반 모델을 기반으로합니다 그런 다음 TensorFlow 모델을 사용하여이 모델을 내 보냅니다 일반적으로

pb PDF 인 TensorFlow 고정 그래프로 파일 그러나이 파일도 사용할 수 없습니다 산호에 배치 할 준비가되지 않았습니다 다음 단계는 당신이해야 할 일입니다 이 제품을 TensorFlow Lite 모델로 변환해야합니다

TensorFlow Lite 변환기가 포함되어 있습니다 그리고 나서 TensorFlow Edge TPU를 사용하여 컴파일합니다 TensorFlow 컴파일러와 바이너리 만들기 Edge TPU와 호환됩니다 그런 다음 작업을 수행 한 후에 배포합니다 이 과정은 당신의 흐름입니다

귀하의 환경에서 사용할 것입니다 구축을 위해이 플랫폼이 어떻게 당신에게 제공되는지에 대해 이야기합니다 응용 프로그램 작성 우리는 아주 처음에 우리가 원하는 산호초가 생태계의 기반 모두 함께 그래서 이것은 정말로 당신을위한 플랫폼입니다 세계적으로 지역 사회와 혁신하고 공유하는 데 사용 전부

그걸로 저는 여러분에게 하나의 예를 보여주고 싶습니다 당사의 소매 파트너 중 Gravity Link 그들은이 앱을 만들었습니다 매우 멋진 앱 휴대 전화를 사용하여 앱을 직접 다운로드 할 수 있습니다

산호초 개발위원회에 그리고 아래 링크에서 자세한 내용을 확인할 수 있습니다 또는 Google Play에서 Model Play를 검색하기 만하면됩니다 다운로드하여 시도 할 수 있습니다 이것이 우리가 모든 개발자가 기여하고자하는 아이디어입니다

이 생태계, 건물 도구, 건물 모델, 응용 프로그램 작성, 업계와 공유 그리고 이것은 산호 생태계가 지향하는 것입니다 그걸로 끝내자 AI에서 개발할 수있는 잠재적 인 영역은 무엇입니까? 이것 좀봐 물론 가전 제품이 있습니다 기구; 거기에서 개발할 수있는 많은 기회가 있습니다

산업용 창고, 장치의 모니터링, 조립 라인을 모니터링합니다 이것은 또 다른 영역입니다 로봇 로보틱스 업계와 소비자 모두 현장입니다

자동차 자동차 산업 또한 분야입니다 그리고 Google I / O 기조 연설에서 여러분 모두와 같이, 의료 기기, 의료 기기 등이 또 다른 분야입니다 그리고 마지막으로 교육 교육 보조 및 연구

기계 학습 – 기기 기반 기계 학습을 사용할 수 있습니다 당신이 혁신 할 수있는 산호를 사용합니다 그래서 할 수있는 일이 많이 있습니다 권리? 그리고 내가 오늘 이야기 한 모든 정보, 그들은 산호 웹 사이트에 요약되어 있습니다 기억이 안나면 이것을 기억하십시오

CoralwithGooglecom이라고합니다 우리의 문서, 샘플, 모델, 모든 것이 있습니다 그래서 슬라이드에 더 많은 참고 자료가 있습니다

당신은 나중에 볼 수 있습니다 Mendel Linux에 대한 참조가 있습니다 TensorFlow Lite에 대해 어떻게 할 수 있습니까? 양자화 인식 교육을 수행합니다 그리고이 모든 정보는 매우 중요합니다 Stack Overflow에서 태그가 있습니다

온라인 커뮤니티에 가입 할 수 있습니다 토론에 참여하고 대답하다 다른 개발자의 질문 또는 답변을 살펴보십시오 너를 감시하거나 서로 돕고 싶다 이 온라인 커뮤니티를 사용합니다

그리고 큰 소리로 말하고 싶습니다 우리는 당신을 위해 산호초 코드 응용 프로그램을 가지고 있습니다 I / O에서 Coral을 사용하여 실험하고 싶습니다 오늘 거기에 갈 수 있습니다 Dev Load 팀 동료는 모두를 돕고 있습니다

코딩 앱으로 간다 즉, 요약 및 행동 강령입니다 오늘 여기 와서, 번호 하나 산호 제품을 검토하십시오 TensorFlow Lite에 대해 자세히 알아보십시오

산호 보드를 사용하여 실험하기 그리고 나만의 맞춤형 모델을 구축하십시오 그리고 마지막으로, 지상에서 위로 모델을 구축하십시오 우리는 산호 플랫폼을 복용하기를 원합니다 당신의 상상력을 넣고, 혁신을 넣고, AI를 업계 곳곳의 소비자에게 제공하십시오

그래서 우리 산호 팀을 대표하여, 이 세션에 참석해 주셔서 대단히 감사합니다 고맙습니다 [음악 재생]

Introducing Google Coral Building On Device AI Google I O'19(from Tensorflow)

[음악 재생] 빌 루앙 : 안녕하세요 Google 소개 I / O 세션에 오신 것을 환영합니다

산호 제 이름은 Bill Luan입니다 저는 Google Coral 팀의 프로그램 관리자입니다 모든 팀원을 대표하여, 너와 많은 사람들에게 따뜻한 환영 당신이 전세계 온라인으로보고 있습니다 우리와 함께 해줘서 고마워

산호 제품에 대해 이야기하기 전에, 업계를 간략하게 살펴 보겠습니다 트렌드, 왜 우리에게 보여 주는지 산호가 우리에게 중요 할 것입니다 스마트 장치 및 소위 말하는 IoT의 성장 – 사물의 인터넷 – 지난 수년 동안 엄청나게 성장했습니다 그리고 그것은 가장 큰 성장 기회 중 하나를 나타냅니다 앞으로 몇 년 안에 인터넷을 통한 많은 산업 동향 예측에 따르면, 당신이 볼 수있는 것과 인터넷에서 비슷한 것을 많이 볼 수 있습니다 PC, 노트북, PDA, 휴대 전화, 태블릿 등 5 ~ 6 개 년 약 110 억 설치 단위에서 성장할 것입니다 세계적으로 향후 5 년에서 6 년 사이에 약 120 억 이는 약 14 %의 성장률을 나타냅니다

그러나, IoT 스마트 장치, 성장 현재 설치 기반에서 약 80 억 단위의 비율 같은 기간에 전 세계적으로 210 억까지 성장할 것이며, 150 % 이상의 훨씬 더 큰 성장률을 나타냅니다 그래서 이것은 정말로 우리에게 성장 기회가 어디 있는지 말해줍니다 우리 모두를위한 혁신 기회, 세계 곳곳에있는 개발자를 위해 즉, 그들은 스마트 장치에 있습니다 따라서 스마트 장치 사용자는 계속 혁신의 관점에서 스마트 장치에 대한 관심을 키우고, 개발은 계속해서 성장할 것입니다 다음과 같은 몇 가지 핵심 요소가 있습니다

이러한 트렌드는 계속 앞으로 나아갈 것입니다 번호 하나 때문에, 증가 때문에 AI의 관점에서 전세계 관심사의 기계 학습, 발전 AI의 주요 연구 결과가 계속해서 커지고 있습니다 지난 몇 년 동안 사실, 연구 논문의 수 지난 몇 년 간 출판했다 기계 학습에서 그러한 논문의 총 수 이상이다 지난 10 년 동안 AI 기능이 더 많아 응용 프로그램을 만들 것입니다

보다 실용적인 장치에서 학습하는 인공 지능 기계의 기계 학습 모델이되기 때문에 가능하다 더 정확하고, 빠르며, 더 나은 성능, 산업은 계속해서 그들을 사용하는 데 관심을 가질 것입니다 에지에서 더 많은 장치가 기계 학습을 필요로하므로, 우리는 정말로 해결책이 있어야합니다 가장자리에있는 기기로 기기 학습을 가져옵니다 우리에게는 기술, 특히 하드웨어가 필요합니다

기계 학습 가속을 가져 오려면, 그 능력 장치에서 바로 요컨대, 스마트 장치의 성장 요구 장비 학습을 최첨단으로 가져옵니다 그리고 우리는 그것을위한 해결책이 필요합니다 그래서 Google이 당신을 위해 무엇을 만들 었는지 소개하겠습니다 전 세계 개발자들이 가능한 업계의 요구에 답할 수 있습니다

Google에서 산호를 소개합니다 새로운 흥미 진진한 기술 플랫폼입니다 전 세계의 개발자에게 기기 내 기계 학습 가속화 AI 구축 응용 프로그램을 쉽고 효율적으로 사용할 수 있습니다 그래서 이번 소개 세션에서 배울 점은 무엇입니까? 산호 제품 라인이 제공하는 것입니다 기계 학습 기능이란 무엇입니까? 산호 플랫폼과 기술로 구축 할 수 있습니다

세 번째로 용어의 유스 케이스는 무엇입니까? 응용 프로그램과 함께 기계 학습 배치 많은 산업 분야에서 그래서 저는 여기에서 제 지시를 가지고이 모든 것을 다룰 것입니다 산호초는 다음과 같이 설계되었습니다 장치에 기계 학습을 가져 오는 것, 응용 프로그램을보다 쉽게 ​​개발할 수 있습니다 프로토 타이핑 툴 생산을위한 플랫폼입니다 고속으로, 효율성으로

장치 기반 기계 학습을 개발하는 플랫폼입니다 하드웨어 구성 요소의 구성 요소 그룹을 제공합니다 고유 한 고성능 기계 학습 기능 제공 Edge 장치로 바로 연결하십시오 또한 완전한 소프트웨어 도구 세트를 제공합니다 애플리케이션을 개발할 수있게 해준다 인공 지능 기계에서 쉽게 학습 할 수 있습니다

그 외에도 Coral은 귀하가 사용할 수있는 중고 기계 학습 모델의 목록 장치에 신속하게 배포 할 수 있습니다 그래서 많은 사람들이 궁금해 할 것입니다 왜 그것을 산호라고 부릅니까? AI가 AI와 어떤 관련이 있습니까? 음, 자연 세계에서 산호의 본질을 보면, 산호는 실제로 활기차고, 포괄적 인 삶으로 가득한, 매우 열린 공동체 권리? 함께 살아있는 유기체, 그들은 공통의 이익에 기여하기 위해 함께 노력합니다 그리고 그것이 바로 우리가 고무시키는 것입니다

여러분 모두를 위해 업계를위한 플랫폼을 만들고 싶습니다 산호의 영감과 사명은 모든 사람들에게 활기찬 플랫폼을 제공합니다 가져올 애플리케이션 개발 및 공동 작업 AI 응용 프로그램을 장치에 연결합니다 우리는 어디에서나 개발자를 가능하게하고 싶습니다 AI 아이디어를 아이디어에서 비즈니스 솔루션으로 전환하는 방법 대규모 생산 배치 시제품 제작 쉽고 간단하게 그리고 마지막으로, 우리는 모두가 참여하도록 장려하고 싶습니다

기여하고 배우는 공동체 차원의 노력 기계 학습 모델을 함께 공유 할 수 있습니다 그래서 이것이 산호초의 이름입니다 그렇다면 왜 우리는 기계의 장점에 대해 이야기하고 싶습니까? 장치 학습? 그럼 무엇을 빨리 볼까요? 기계 학습의 요점 장치의 이점에 관해서 첫째로, 그것은 높은 성능 이점입니다 모든 것이 장치에서 계산되기 때문에 장치가 로컬에 있습니다

데이터를 다시 클라우드로 보낼 필요는 없습니다 권리? 높은 성능, 지역의 모든 것 훨씬 더 효율적으로 일을 할 수있게 해줍니다 또한 매우 중요합니다 바로 그 열쇠입니다 많은 응용 분야에서, 당신은 데이터가 장치에 남아 있기를 원합니다

특히 비즈니스 애플리케이션 시나리오에서 그렇습니다 일부 사용자 개인 정보 데이터는 서버로 전송 될 수 없으며, 클라우드로 보낼 수 없습니다 우리는 당신을 가능하게하는 기술이 필요합니다 고객이 해당 솔루션을 사용할 수 있도록합니다 또한 데이터가 로컬에 있기 때문에

장치의 오른쪽 센서에서 오는 모든 정보 접근 할 수 있고 계산에 사용할 수있다 귀하의 기계 학습 결과 바로 거기, 오히려 데이터를 클라우드, 서버로 보내야하는 것보다, 데이터를 계산하여 다시 보냅니다 권리? 그래서 이것은 이것을 보는 또 다른 방법입니다 훨씬 더 나은 성능입니다 모든 데이터를 로컬에서 감사 할 수 있기 때문입니다

다음은 오프라인 작품입니다 많은 시나리오가 있습니다 – 사물의 인터넷, 스마트 장치들 – 인터넷에 연결되어 있거나되지 않을 수 있습니다 실제로 대부분의 경우 클라우드 연결이 없습니다 그래서 당신은 여전히 ​​기계 학습을 원합니다 기능을 제공합니다

오프라인 장치 내 기계 학습 기능 그 일이 당신을 위해 일어날 것입니다 마지막으로 훨씬 더 효율적인 전력입니다 많은 가장자리 장치는 작습니다 그들은 큰 전원 공급 장치가 없습니다 또한 컴퓨팅 측면에서 높은 효율성이 요구됩니다

장치에 대한 계산 데이터를 다시 클라우드로 보낼 필요가 없기 때문에, 물론 대역폭을 절약 할 수 있습니다 네트워크에 Wi-Fi를 사용하도록 데이터를 전송하는 전원을 절약 할 수 있습니다 따라서 기계 학습의 이점 매우 강력한 기기 내 학습이 매우 강력합니다 이제 Coral 제품 라인을 간략하게 살펴 보겠습니다

우리는 업계에 무엇을 제공합니까? Coral 제품 라인은 두 가지 하드웨어 구성 요소를 모두 제공합니다 및 소프트웨어 구성 요소 하드웨어 측면에서 개발을 제공합니다 단일 국경 컴퓨터 인 보드에 개발자 응용 프로그램을 프로토 타입 화합니다 또한 Coral은 여러 센서를 제공합니다

를 사용하여 응용 프로그램을 빌드 할 수 있습니다 이미징 측면에서의 감각 데이터, 비디오, 환경 센서, 제작 데이터 입력의 일부로서 이용 가능한 것들 귀하의 응용 프로그램에 또한 소프트웨어 측면에서 우리는 소프트웨어 도구 변경의 완벽한 세트를 제공한다 운영 체제에서 SDK, 컴퓨터로 학습 모듈을 사용하면 쉽게 사용하고 신속하게 학습 할 수 있습니다 응용 프로그램을 빌드하십시오

그 외에도 우리는 상세한 종합 세트를 제공합니다 문서, 예제, 온라인 가이드, 데이터 시트 등 이들 모두는 Coral 웹 사이트에서 온라인으로 제공되었습니다 너희 모두에게 이제 우리는 산호 제품군에 무엇이 포함되어 있는지 알고 있습니다

조금 더 자세하게 살펴 보겠습니다 하드웨어 구성 요소의 측면에서 그래서 산호의 하드웨어 제품 우리는 당신에게 하드웨어 세트를 제공합니다 프로토 타이핑 및 응용 프로그램 개발과 관련하여 첫 번째는 Coral Dev Board입니다

당신이 그림의 여기에서 알 수있는 것에 따라, 약 150 달러에 소매됩니다 운영 체제가있는 단일 보드 컴퓨터입니다 온보드 및 기계 학습 기능을 제공합니다 두 번째는 USB 키이며 우리가 USB 가속기라고 부르는 것입니다 그것은 가장자리 칩 TPO 기계 가속 칩을 가지고 있습니다

장치에서 바로 이 USB를 모든 리눅스 머신에 넣을 수 있습니다 기계 학습 기능을 올바르게 구현할 수 있습니다 그 장치에 그리고 나는 나와 함께있는 사람들이있다

그리고 상대적인 크기를 보여주고 싶습니다 그것의 차원 이것이 코럴 데 보드입니다 보시다시피, 매우 작습니다 그것은 모든 단일 보드 컴퓨터입니다 커넥터에 필요한 입출력

이것은 USB 키입니다, 더 작습니다 그것은 당신이 사용하는 모든 USB 키에 전형적인 것입니다 그래서 이들은 현재의 두 컴퓨터 플랫폼입니다 당신은 응용 프로그램을 개발하는 데 사용합니다 그 외에도 우리는 두 개의 센서를 제공하며, 내가 말했듯이, 기계의 현장에서 감지 데이터를 가져 오는 것입니다

학습 응용 프로그램을 사용합니다 1 위는 5 메가 픽셀 자동 초점 카메라이며, 우리가 산호 카메라라고 부르는 것 둘째, 방금 며칠 전에 발표했습니다 여기에 새로운 환경 센서가 있습니다 보시다시피, 매우 작습니다

그리고 그것에는 디지털 디스플레이가 있습니다 그것은 당신이 온도, 습도, 빛 등등 이 입력 센서는이를 사용하고 빌드 할 수 있습니다 귀하의 응용 프로그램에 적합합니다 이제 이것들을 사용하여 프로토 타입을 작성하십시오

그러나 이러한 장치를 배포 할 때 최대 규모의 생산 환경으로, 우리는 당신이 태양을 가져갈 수 있도록 허용합니다 모듈을 개발 보드에서 가져온다 즉, 회로 기판의이 부분은 스냅 할 수 있습니다 제품에 포함시킬 수 있습니다 그리고 이것은 대용량 배포를위한 것입니다

그리고 볼 수 있듯이 개별 단위 가격은 약 115 달러입니다 또한 볼륨 배포에 대한 할인을 제공합니다 곧 다음 분기에 PCI-E 커넥터를 제공 할 예정입니다 PC 또는 산업용으로 연결할 수있는 기본 커넥터 PCI-E를 허용하는 PC 및 산업 장치 기계 학습 기능을 가져올 수있는 커넥터 그 장치에 왼쪽에있는 사람들은 당신이 귀하의 기계 학습 응용 프로그램을위한 프로토 타이핑을해야합니다

오른쪽에있는 건 – 오른쪽에있는 것은 대규모 배치를위한 것입니다 물론 센서와 카메라의 환경, 당신은 프로토 타이핑과 더 큰 대규모 배포로 중간에 위치합니다 좋아, Google Edge TPU에 대해 이야기 해 보겠습니다 이것이이 플랫폼의 핵심 인 센터입니다 기계 학습 기능을 장치에 가져옵니다

따라서 Edge TPU는 작은 응용 프로그램 별 원형입니다 Google이 특별히 설계 한 칩 장치에서 기계 학습을 최적화합니다 TensorFlow Lite를 사용하도록 설계되었습니다 기계 학습 모듈 또한 8 비트 quantile TensorFlow 모델 및 실행을 지원합니다

고효율의 온 – 디바이스 그것은 단지 2 와트 전력을 소모합니다 그리고 그것은 매우 빨리 달립니다 중간에 보이는 그림 페니에 대한 상대 크기를 나타냅니다 그래서 그것은 아주 작은 칩입니다

그리고이 크기의 동일한 모듈로, 많은 장치에 쉽게 내장 할 수 있습니다 그러면이 가장자리 TPU는 얼마나 빨라 집니까? 글쎄, 일반적인 시간에, 우리가 온라인으로 출판하는 것, Edge TPU의 성능 속도 초 당 약 4 조 연산으로 계산을 실행합니다 따라서 일반적으로 4 가지 TOPS입니다 당신은 물어볼 수 있습니다, 글쎄, 얼마나 빨리 실제로 기계 학습 모델을 실행합니까? 이 비교표를보십시오 우리는 매우 일반적으로 사용되는 벤치마킹 몇 가지를 주로 사용했습니다

비전 머신 학습 모델, MobileNet, Inception 우리는 dev 보드 또는 Edge TPU USB를 실행 중입니다 강력한 CPU 또는 임베디드 CPU에 대해 실행되는이 두 가지 모두에서, Xenon 64 비트 CPU와 같은 강력한 데스크탑 CPU 또는 임베디드 세계의 ARM CPU 비교해 보면이 표에서 알 수 있듯이, 가장자리 TPU의 기계 학습 능력 속도 필요한 시간의 일부만 실행합니다 데스크톱 CPU와 임베디드 CPU에 비해 그래서 훨씬 더 빠릅니다 이제 여러분 중 일부는 말합니다

이들은 단지 벤치 마크 번호입니다 예를 들어 있습니까? 현실 세계의 예를 보여 주실 수 있습니까? 그리고 나는 그렇다고 말합니다 베타 사용자 중 한 명에게서 예제를 빌려 드리겠습니다 Coral 베타 온라인 포럼에 게시했습니다 그는 말하기를, 나는 온라인 트래픽을 모니터링하는 앱을 만들고있다

실시간 10, 20 대의 자동차를 실시간으로보고 있습니다 나는 모바일 넷을 상자에서 꺼내기 만하면된다 별로 조정하지 않고 그리고 저는 산호 제품을 사용했습니다

초당 약 48 프레임의 성능을 달성 할 수 있습니다 이는 초당 30 프레임과 매우 유사합니다 GTX 980 GPU와 비슷한 장비의 CPU를 사용합니다 이제 게임 기계를 만드는 당신의 경우, 당신은 HTX 980 GPU와 CPU, 무슨 소리 야? $ 500에서 $ 1,000의 장비 비용 그러나 Coral Dev Board에서는 150 개에 불과합니다

동일한 결과를 얻을 수 있습니다 그래서 이것은 비용과 성능을 말해줍니다 산호 제품의 장점 이제 Dev Board에 대해 조금 더 이야기 해 보겠습니다 대부분의 엔지니어가 엔지니어이기 때문에 그것의 기술적 인 스펙을보고 싶다

내가 조금 지나갈 게 먼저, Dev Board에서 볼 수 있듯이 또는 내 손에, 그것은 프로토 타입 개발 보드입니다 온보드 기기를 직접 개발할 수 있습니다 응용 프로그램에서 학습 기능 그것은 완전한 컴퓨터입니다 그것은 CPU를 가지고 있습니다

그것은 GPU를 가지고 있습니다 온라인 메모리가 있으며 Linux 운영 체제도 실행합니다 시스템에 연결하십시오 그것은 모듈 형 디자인을 사용합니다 – 우리가 SOM이라고 부르는 것은 무엇입니까? SOM– 시스템 모듈 설계, 다시 말하면, 이 SOM 회로 기판을 스냅 할 수 있습니다 귀하의 제품에 배치하십시오

모듈 디자인을 통해 프로토 타입에서 배포까지 더 쉽게 수행 할 수 있습니다 그것은 당신에게 많은 I / O 커넥터를 허용합니다 개발 도중 많은 액세서리에 연결하려면, 모든 것을 정말 쉽습니다 Dev Board의 사진이 있습니다 보시다시피, 필요한 모든 I / O 포트가 포함되어 있습니다

HDMI와 같은 두 장치를 연결하려면 디스플레이에 연결; 연결할 USB 커넥터 카메라, 키보드, 모니터 등 이더넷 커넥터는 물론 또한 물론 Wi-Fi와 블루투스가 연결되어 있습니다 Wi-Fi를 통해 인터넷에 연결됩니다 승인

약간의 기술 사양에 대해 자세히 이야기합시다 CPU는 CPU 칩에 NXP 쿼드 코어를 사용합니다 보시다시피 제품은 매우 빠릅니다 853은 초고속 CPU 칩입니다 또한 GPU도 지원했습니다

그리고 온보드 암호화 칩을 가지고 있으며, Google 클라우드에 안전하게 연결할 수 있습니다 그것은 1 기가의 온보드 RAM과 8 기가 플래시 메모리를 가지고 있습니다 응용 프로그램을 배포 할 수있는 충분한 공간 그것은 Wi-Fi, 블루투스를 지원하며, 5 볼트 표준 전원 공급 장치 커넥터 측면에서 보면 USB 2

0 및 USB 30 속도 연결을 지원하며 USB Type C 및 유형 A 커넥터 오디오 및 비디오 카테고리에서 볼 수 있듯이, 그것은 모든 AV 연결을 지원합니다 특히 풀 1080p 비디오 디스플레이 용 풀 사이즈 HDMI 20 커넥터

그것은 마이크로 SD 카드를 가지고있어 더 많은 소프트웨어를 내장 할 수 있습니다 기가비트 네트워크를 지원합니다 또한 I / O 연결을위한 GPIO 40 핀이 있습니다 데비안 리눅스의 특별한 버전을 지원합니다 우리는 Mendel을 Edge TPU를 지원하기 위해 전문화했기 때문에 호출해야합니까? 기능

그리고 기계 학습 모델은 대부분의 일반적인 비전 머신 학습 모델 지원 MobileNet, Inception과 같은 소형 장치, 모바일 장치에서 효과적입니다 특히이 GPIO 연결에 대해 이야기하고 싶습니다 제작자 인 여러분 중 상당수는 Raspberry Pi를 사용하여 프로젝트를 만드는 데 익숙합니다 Raspberry Pi에는이 40-ping GPIO 커넥터가 있습니다 개발자위원회 – 데브 보드 – 당신은 똑같은 일을 할 수 있습니다

Raspberry Pi 40-ping GPIO와 호환됩니다 그래서 과거에 해왔 던 모든 일을 위해 외부 조명, 스위치에 연결, GPIO 포트 사용, 포스트 폭 변조를 사용하여 제어 단계 모터, 과거에 라스베리 파이로 한 모든 일, 당신은 아주 쉽게 Dev Board와 함께 할 수 있습니다 그렇다면 Dev Board를 어떻게 사용합니까? 개발 및 배포 내가 설명했듯이 개념적으로는 매우 쉽습니다 이미 이걸 보셨 겠지 프로토 타입을 작성하면 개발 보드를 사용합니다

이 모든 커넥터를 활성화하십시오 스위치, 센서, 온도 게이지, 네가 원한다면 모니터에 연결할 수 있습니다 키보드에 연결할 수 있습니다 당신은 바로 거기에서 개발을합니다

왜냐하면 그 운영체제 장치에서 울립니다 끝나면 SOM 모듈을 벗겨냅니다 Dev Board에서 플러그를 뽑습니다 그리고 내가 말했듯이 많은 SOM 모듈을 구입할 수 있습니다 권리? SOM 모듈을 어떤 제품에도 배치 할 수 있습니다

당신은 말하자면 똑똑한 냉장고, 똑똑한 세탁기 개발하는 응용 프로그램에 따라 다릅니다 그래서 이것은 정말로 쉽습니다 제품 패키지의 프로토 타이핑 및 배포에 사용됩니다 승인? 괜찮아

우리는 개발위원회에 대해 이야기했습니다 두 번째 제품에 대해서도 간단히 설명하겠습니다 이것은 Coral USB Accelerator입니다 이 작은 일이 여기에 있습니다 다시 말하지만, 작은 USB 키가 있습니다

모든 Linux 컴퓨터의 USB 슬롯에 연결하십시오 그것은 온보드 Edge TPU를 가지고 있으며, 기계 학습 기능을 가지고 있습니다 플러그를 꽂은 모든 기기에서 바로 사용할 수 있습니다 또한 데비안 리눅스뿐만 아니라 리눅스도 지원합니다 비슷한 라스베리 리눅스 또는 라즈베리 파이 (Raspberry Pi)에 사용 된 방식과 동일합니다

그래서 이것을 연결하고이 키를 사용할 수 있습니다 그리고 Raspberry Pi와 함께 작업하십시오 그래서 더 많은 기회를 열어줍니다 당신이 개발을하기 위해 따라서 Coral Accelerator의 이점, 1 위, 당신이 상상할 수있는 것처럼, 기계 학습 더 많은 기계로 원하는 경우 랩톱에 연결할 수 있습니다

랩탑이 특별판의 리눅스를 실행한다면 그리고 라스베리 파이 (Raspberry Pi)에 연결할 수 있습니다 많은 하드웨어와 호환됩니다 과거에 라스베리 파이가 지원 한 것 그래서 PC뿐만 아니라 랩톱, Raspberry Pi, 산업 시스템

[INAUDIBLE] 상자는 USB 플러그를 지원합니다 이 키만 꽂으면됩니다 귀하의 기계 학습 응용 프로그램을 배포 할 수 있어야합니다 따라서 Coral USB Accelerator는 저렴한 비용으로 편리한 방법입니다 AR에 프로토 타입을 제작하는 실험

승인 그래서 우리는 하드웨어에 대해 이야기했습니다 소프트웨어 측면에 대해서도 이야기하겠습니다 Coral의 툴체인 전체 제품군 당신이 기계 학습을 할 수있게 해줍니다 응용 프로그램

따라서 소프트웨어 구성 요소를 살펴 보겠습니다 구성 요소 수준에서 산호 소프트웨어 조각 하드웨어가 함께 작동합니다 그래서 Coral Dev Board에서는 리눅스뿐만 아니라 기계, 원한다면, 그리고 맨 아래 층 당신은 하드웨어를 가지고 있습니다 그리고 멘델 리눅스는 그 위에 움직이고 있습니다 그들은 운영 체제와 대화하고 하드웨어와 대화합니다

그리고 Coral, 우리는 C / C ++ 라이브러리 API 직접 액세스를 개발했습니다 운영 체제 및 하드웨어 이렇게하면 직접 액세스 할 수 있습니다 운영 체제가되는 모든 것 당신을 통제 할 수 있습니다 기계 학습 모델이 있다고 가정 해 봅시다 TensorFlow 모델입니다

TensorFlow Lite 모델 우리는 Edge TPU 컴파일러를 제공하여 컴파일, 컴파일 된 TensorFlow Lite 모델 가져 오기 Edge TPU와 호환되는 이진 형식으로 변환합니다 따라서 애플리케이션이있는 경우 C / C + API에 액세스 할 수 있습니다 장치에서 기계 학습 모델을 바로 실행 하드웨어 레이어에 액세스 할 수 있습니다 그러나 우리는 많은 기계 학습 프로그래머는 당신처럼 파이썬을 사용하고 있습니다

따라서 Coral 소프트웨어는 Python 라이브러리 또는 Python SDK도 제공합니다 그것은 당신을 허용 높은 수준의 래퍼입니다 Python 프로그래밍 언어를 사용하여 쉽게 액세스 내가 방금 이야기 한 모든 기능, 기계 학습 모델에 액세스 할 수 있어야합니다 하드웨어에 액세스 할 수 있어야합니다 그리고 파이썬 코드를 I / O 컨트롤 등에 작성할 수 있습니다 그래서 이것은 완전한 환경입니다

함께 작동하는 여러 구성 요소로 우리가 당신을 위해 제품에 넣은 AI 개발을 가능하게합니다 그래서 파이썬 API는 매우 간단합니다 파이썬으로 프로그래밍 한 많은 사람들에게, 우리는 Coral 웹 사이트에서이를 게시합니다 모든 Python API의 기본 클래스 기계 학습을 개발하는 데 사용할 수있는 응용 프로그램 나는 중간 2에주의를 기울일 것이라고 말할 것이다

그것들은 아마도 당신이 가장 많이 사용할 것입니다 하나는 객체 감지입니다 하나는 객체 분류입니다 그리고 그들을위한 기본 엔진 기본 클래스 분류 엔진 (classification engine)이라고 불리는 것이고, 하나는 탐지 엔진이라고합니다 그래서 매우 간단합니다

여기서 마지막으로 본 것은, 우리가 각인이라고 부르는 것입니다 엔진, 그것은 이동 학습을위한 무언가이다, 나는 몇 분 안에 이야기 할거야 이것은 당신이 효율적으로 개발할 수있는 것입니다 파이썬 API 라이브러리의 맞춤형 기계 학습 모델 우리가 제공했습니다 그것도 지원합니다

이제 예제를 간략하게 살펴 보겠습니다 실제로 어떻게 파이썬 코드를 사용하겠습니까? 기계 학습 모듈과 상호 작용하는 모델 우리가 공급하는거야? 그래서 내가 객체를 사용하여 프로그램을 개발하고 싶다면 탐지 모델, 파이썬 코드에서 단순히 엔진을 초기화 할 것입니다 그 기본 클래스 인 DetectionEngine을 사용합니다 그룹 구성원의 기본 클래스, 구성원 함수, 당신은 데이터를 사용하고 시작하고 이야기하기 시작합니다 기계 학습 모듈로 그래서 여기서 엔진을 시작하십시오

또한 소위 레이블 파일을로드해야합니다 왜냐하면 당신이 많은 수의 물체들을 탐지하기를 원한다면, 당신은 라벨로 그것들을 식별하고 싶습니다 레이블 파일을로드합니다 그리고 당신이 기계 학습을 먹이기를 원한다고 가정 해 봅시다 모델 – 개체 감지 모델 – Image를 사용하여 이미지로드 파일

그리고 물론, 대부분의 사람들은 Vision에서 기계 학습 모델을 사용 해왔다 당신은 사진 속의 물건을 식별 할 수 있다는 것을 알고 있습니다 또는 비디오 화면에서 객체를 식별 할 수 있습니다 이 경우, 그것은 텐서의 벡터가됩니다 하지만 여기서 저는 이미지를 사용하는 간단한 예제를 사용하고 있습니다

그리고 기계 학습 모델과 상호 작용하는 코드 매우 간단합니다 간단한 선 엔진에서, 회원 클래스, 당신은 단지 이미지와 함께 감지 말한다 그리고이 이미지에 매개 변수를 전달합니다 반환 된 결과는 대답이 돌아 왔습니다

이 호출에서 테두리 상자를 그리는 것과 같이 사용할 수 있습니다 색상을 지정하고, 바인딩 상자를 그립니다 당신이 탐지하고 있습니다 그래서 매우 간단합니다 우리는 사용할 수있는 기계 학습 모델 그룹을 제공합니다

산호초는 제품에 포함됩니다 우리는 그들을 웹 사이트에 올려 놓습니다 무료로 다운로드 할 수 있습니다 미리 컴파일 된 TensorFlow Lite 모델이 있습니다 당신이 사용할 수 있습니다

더 이상 컴파일하지 않고도 쉽게 실행할 수 있습니다 그리고 하드웨어에 다운로드하기 만하면됩니다 Edge TPU 모듈 – 파이썬 모듈 – 이미 있습니다 Deb Board에 설치되었습니다 따라서 아무 것도 할 필요가 없습니다

이제 Python 프로그래밍 코드를 사용할 준비가되었습니다 방금 전 보여준 예가 그 것입니다 그러나 USB를 사용하는 경우 리눅스 머신을 사용하고 싶습니다 이 Python 모듈을 수동으로 설치해야합니다 앞서 언급 한 것처럼 Python API가 사전 설치되어 있습니다

권리 그래서 그것이 당신이해야 할 일입니다 나는 그런 많은 모델들에 대해서 언급하고 싶다 우리는 당신이 사용할 수 있도록 무료로 온라인으로 공급합니다 – 이들은 비상업적 용도로만 사용됩니다 즉, 모델을 만들고 싶다면, 돈을 위해 팔고 싶다고 가정 해 봅시다

그러면 자신 만의 모델을 만들어야합니다 오픈 소스 무료 모델을 사용하는 대신 비상업적 용도입니다 승인? 제공된 모델에는 앞서 언급 한 범주가 포함되어 있습니다 이미지 분류, 물체 감지, 체중 감기라고하는 것뿐만 아니라 그것은 다시, 양도 학습을위한 것입니다 그리고 저는 그것에 대해 잠시 후에 이야기 할 것입니다

그래서 여기에 모델의 몇 가지 예가 있습니다 온라인으로 사용할 수있게하십시오 그리고 여기에 이미지 분류 모델이 있습니다 보시다시피 우리는 거의 모든 인기있는 이미지 분류를 지원합니다

MobileNet에서 시작까지의 모델 그리고 다른 버전의 MobileNet, 다양한 버전의 Inception 그들 사이의 차이점은 유형 그들이 식별 할 수있는 객체의 예를 들어, 응용 프로그램을 개발하려는 경우 다른 새들의 차이점을 말하기 또는 다른 식물을 선택하면 해당 모델을 선택하게됩니다 쓰다 승인 그걸로 두 가지 데모를 드리겠습니다

첫 번째 데모 개체 감지 모델을 보여 드리겠습니다 그리고 두 번째 데모는 내가 너에게 보여줄거야 객체 분류 모델입니다 그래서 비디오 제작자는 디스플레이를 전환하십시오 여기 카메라에

그래서 여기 테이블에, 당신이 볼 수 있듯이, 이 컨베이어 벨트로이 데모를 만들었습니다 나는 실시간 교통을 시뮬레이션하고있다 여기 카메라가 그것을 가리키고 있습니다 화면에서 볼 수 있듯이 카메라 이 산호초 개발위원회에 들어갑니다 실시간으로 그것은 객체의 수를 식별합니다

그것은 차임을 보여줍니다 그것은 또한 소위 신뢰 점수를 보여줍니다 – 모델이 자동차라고 얼마나 자신 있다고 생각합니다 그러나 컨베이어 벨트 위에서 볼 수 있듯이, 나는 또한 사람이나 보행자가 있습니다 하지만 지금 내가 할 일은 내가 "윙크" 이 영화를 만들어라 승인

그래서 나는 권력을 켤 것입니다 그리고 나는 그것을 달릴 수있는 속도를 올릴 것입니다 이제 실시간 세계에서,이 움직이는 것처럼, 너는 화면을 보았다 기계 학습 객체 탐지 끊임없이 일어나고 있습니다 그것은 계속해서 올바른 자동차 또는 보행자를 식별하며, 또는 교통 신호등도 있습니다

권리? 산호의 성능을 볼 수 있습니다 장면이 진행됨에 따라 매우 높을 수 있습니다 이제 왼쪽 하단에주의를 기울여주세요 화면 또는 화면의 왼쪽 상단 모서리에있는 초당 프레임 속도를 보여줍니다 지난 번에 50을 보았다

초당 70 프레임 매우 빠른 성능입니다 자, 제가 속도를 조금 더 빨리 가도록 크랭크 업 시키면, 당신은 용어로 기계 학습을 볼 수 있습니다 객체 식별 캡처의 작업이 아직 진행 중입니다 권리? 자동차를 계속 식별 할 수 있습니다

이 빠르게 움직이는 환경에서 그래서 이것은 실제로 힘을 보여주는 것입니다 이 산호 장치에서 바로 실행중인 개체 탐지 승인? 이것이 첫 번째 데모입니다 [박수 갈채] 고맙습니다 예, 박수 갈 수 있습니다 너희들이 훨씬 더 재미있게 지낼 수 있기를 바란다

응용 프로그램을 산호초의 힘을 당신의 상상력으로 가져 오십시오 당신의 혁신에 괜찮아 다음은 객체 분류를 보여줍니다

그래서 여기에 다른 데브 보드가 있습니다 그리고 그 결과 – 디스플레이에서이 카메라의 출력으로 전환하십시오 그래서 내가 할 일은 몇 가지 음식 품목이 있습니다 책상 위에 이 카메라가 다른 유형을 식별하게 할 것입니다

개체의 여기에 햄버거를 넣으라고합시다 그리고 왼쪽 상단 구석에서 볼 수 있듯이, 그것은 어떤 신뢰 점수로 물체를 식별하려고합니다 조명 조건에 따라 다르지만, 잘하면 햄버거를 볼 수 있습니다 네 당신은 빛과 함께 올바른 각도로 조준해야합니다

이 도넛을 시험해 봅시다 도넛 말인가요? 그것은 도넛으로 나타 났습니까? 승인 우리는 샌드위치를 ​​시험해 볼 수도 있습니다 승인? 마지막으로, 나는 이국적인 것을 시도 할 것이다 초밥을 가정 해 봅시다

승인 그래서 이것은 당신이 객체 분류 작업을 할 수있는 방법입니다 단순히 객체 분류 모델 중 하나를 실행함으로써 오른쪽 장치에 다시 말하지만, 이들 중 어느 것도 인터넷에 연결되어 있지 않습니다 어떤 데이터도 클라우드 나 서버로 전송되지 않습니다

모든 장치에서 경쟁이 일어나고 있습니다 승인? 큰 고맙습니다 [박수 갈채] 괜찮아 슬라이드로 다시 전환하십시오

이제 우리는 어떻게 사용하는지에 대해 이야기합니다 Coral은이를 구현하기 위해 미리 컴파일 된 모델을 제공했습니다 그러나 당신 스스로 뭔가를 만들고 싶다면 어떻게해야할까요? 모델을 사용자 정의하고자합니다 글쎄, 여기가 전송 학습이 들어오는 곳입니다 전송 학습, 시간 절약에 도움이됩니다

자신의 모델을 구축하는 측면에서 그리고 기본적으로 사전 훈련 된 모델을 필요로합니다 Edge TPU와 호환됩니다 그리고 당신은 당신의 관련 업무에 대해서만 그것을 취합니다 사용자 지정 데이터를 사용하여 개념에서, 신경 네트워크는 뉴런의 깊은 층

승인? 이 전체 모델을 훈련시키고 싶다면 – 사실, 나는 내 동료 중 한 명에게서 그것을 들었다 지상에서 위로 모델을 개발 한 사람 비전 모델을 교육하기 위해 4,000 개 이상의 GPU가 필요합니다 그리고 며칠이 걸립니다 그러나, 모든 것을 훈련하는 대신에, 상단 레이어 만 수정하면됩니다 이것이 이전 학습 개념입니다

하위 레이어 때문에, 그 뉴런 말하자면, 서로 다른 색깔을 감지하려하고 있습니다 다른 모양, 다른 조명 조건 사물을 식별하는 데 도움이 될 수 있습니다 네가 신경 쓰는거야 모델 식별 정보를 작성한다고 가정 해 보겠습니다

다른 사과 전체 모델을 교육 할 필요는 없습니다 당신은 분류 모델을 취하고, 상위 계층 만 수정합니다 사용자 정의 된 데이터로 교육 많은 다른 사과와 그래서 이것은 전학 학습이하는 것입니다

그래서 코드를 전송 학습도 할 Coral의 Python 환경에서 매우 간단합니다 기본적으로, 당신은 이전 학습을 준비하고, Docker 컨테이너를 설정합니다 사용할 모델을 지정하십시오 이 경우 예를 보여 드리겠습니다 나는 MobileNet 버전 1을 사용하고있다

그리고 몇 가지 최상위 레이어를 훈련시키려는 경우, 당신이 사용하기를 원하는 단일 명령 – 훈련을 시작하십시오 그리고 다시, 당신은 매개 변수를 제공합니다 모델명으로 그러나 전체 모델을 교육하려는 경우, 너는 그것도 할 수있다 하나 더 추가 하는가? 추가 플래그, 교육, 전체 모델, 플래그 참된

따라서 일단 시스템의 콘솔에서이 코드를 실행하면, 기본적으로, 콘솔은 당신에게 보여줄 것입니다 취할 단계별 교육 진행 얼마나 많은 시간이 걸리는지의 관점에서 말입니다 그래서 당신이하는 것은 매우 간단합니다 그것은 환경에서 – 리눅스 환경에서 그래서 그걸로 당신을 위해 또 다른 데모를 해봅시다

이것을 가르 칠 수있는 기계라고합니다 우리는 이것을 오픈 소스로 게시 할 것입니다 가까운 장래에 같은 일을 할 수 있습니다 근데 기본적으로 네가 여기 보이는 것을 너에게 보여줄거야 나는 그것을 기억하는 기계를 만드는 법을 가르 칠 것입니다

그래서 비디오 카메라, 비디오 그래퍼, 우리 이 이미지가 있어야합니다 그래서 여기 책상에서 당신이 보는 것, 실제로 그것은 기반으로 만들어졌습니다 이 USB에 Raspberry Pi가 있습니다 그래서 Dev Board보다 더 많이, Raspberry Pi를 사용할 수 있습니다 응용 프로그램을 빌드합니다

여기에 데모가 조금 있습니다 카메라가 있습니다 포인트 그리고 나는 다른 대상을 가지고 있습니다 그래서 내가 버튼을 눌러서 가져 가면 – 내가 버튼을 칠 때마다, 그것은 찍고 이미지를 찍는다

이 햄버거 중 몇 가지 이미지를 기억합니다 이 햄버거의 이제 내가 다른 물건을 가져 가면 제 2 물체의 다른 그룹의 사진, 그것은 이미지를 기억합니다 녹색 버튼으로 아이스크림을 먹을거야 그리고 마지막으로, 빨간색 버튼으로이 도넛을 먹을 것입니다

여기서 백그라운드에서 어떤 일이 일어나는지, 이 프로그램은 전송 학습을 수행하며, 기존의 객체 분류 모델, 마지막 레이어를 방금 찍은 이미지로 바꿉니다 이제 이것을 보아라 이 햄버거를 다시 넣으면 황색 불이 들어옵니다 그것은 기억한다 아이스크림을 넣으면 녹색 표시등이 켜집니다

나는 당신이 비디오에서 볼 수 있기를 바랍니다 예 이 도넛을 가져 가면 푸른 빛이 켜집니다 이제 그 이상 잠시 전에, 나는이 녹색 아이스크림으로 훈련을했다

권리? 녹색 불빛 노란색 아이스크림을 넣으면 기억합니다 그것은 단순히 색상 이상으로 모델을 학습하는 기계이기 때문에, 또한 모양을 식별합니다 이 모양과 모양이 다르기 때문에, 모델은 더 빠르고, 똑똑하다 개체 사이의 차이를 알 수 있습니다

다시 한번 이것은 하나의 예제입니다 당신은 능력으로 물건을 만드는 데 사용할 수 있습니다 인터넷없이 장치에 분류 권리의, 그런 작은 USB 키로도 제작할 수 있습니다 권리? 아주 강력한 것들 [박수 갈채] 고맙습니다

승인 슬라이드로 다시 전환하십시오 그래서 이것의 결과는 엄청납니다 권리? 산업 환경에서 상상해보십시오 당신은 사물을 식별하고 싶습니다

좋은 위젯을 조립할 때 나쁜 위젯으로부터 알리고 싶다 예를 들어, 라인 조립 라인을 훈련 할 시간이 없습니다 자동 분류 기계 전송 학습을 사용하고 다른 객체를 배울 수 있습니다

즉석에서 그래서 매우 강력합니다 애플리케이션을 끝없이 구축하는 데 사용할 수 있습니다 그러한 능력을 사용한다 괜찮아

그래서 우리는 이전 학습에 대해서 이야기합니다 사용자 정의 된 모델을 작성하는 방법에 대해 설명합니다 방법에 대해 좀 더 자세히 설명해 드리겠습니다 산호 모델을 사용하십니까? 승인 그래서 우리는 미리 컴파일 된 모델 세트를 제공했다

너를 위해서 이것은 실제로 사건 번호 1입니다 사용자 케이스 번호 1 매우 간단합니다 우리가 제공하는 산호 모델을 다운로드하면됩니다

다시 컴파일 할 필요가 없습니다 장치를 다운로드하여 설치하면됩니다 승인 두 번째 시나리오는 기존의 모델, 미리 훈련 된 그러나 사용자 정의 전송 학습을 사용합니다

자신의 데이터로 그러나 작업을 완료 한 후에는 아직 호환되지 않습니다 산호 널과 당신은 컴파일해야합니다 산호가 제공하는 산호 컴파일러를 사용합니다 그리고 그것을 컴파일합니다

TensorFlow Lite 파일의 최종 결과입니다 Edge TPU Coral 하드웨어에 다운로드합니다 그리고 거기에서 도망 갈 수 있습니다 이제 저는 지금 당장 코랄 컴파일러에 대해 말하고 싶습니다 Google Cloud Platform에서만 실행됩니다

그러나 곧 우리는이 컴파일러를 만들 것입니다 독립 실행 형 실행 파일, 다운로드 가능 인터넷에 당신을 위해 사용할 수 있습니다 따라서 사용자 사례를 구축하고 싶습니다 너 자신에 의해 전체 모듈 이것은 사용자 정의가 실제로 필요한 것입니다

기존 모델이 당신을 만족시키지 못한다 당신도 그렇게 할 수 있습니다 그래서이 경우에, 당신은 필요할 것입니다 – TensorFlow로 시작하여 거기에서 모델을 구축하십시오 그럼 저와 관련된 단계에 대해 이야기하겠습니다 나만의 맞춤형 모델을 만드는 워크 플로 다음과 같습니다

TensorFlow 모델은 모두 아시다시피, 그것은 32 비트 부동 소수점 모델입니다 권리? 그리고 지금은 산호초에서 사용할 수 있습니다 Coral 장치는 TensorFlow Lite가 필요하기 때문에 Edge에서 실행되며 메모리가 거의 필요하지 않습니다 따라서 TensorFlow 모델이 효과적입니다 TensorFlow 모델을 선택하십시오

당신은 그것을 1 단계로 변환합니다 당신은 양자화 된 버전으로 훈련으로 변환합니다 그래서 교육 과정이 있습니다 양자화 – 인식 훈련 TensorFlow 모델을 변환합니다

양자화 된 TensorFlow 모델로 변환합니다 그래서 기본적으로 32 비트 부동 소수점을 변환합니다 8 비트 정수 기반 모델을 기반으로합니다 그런 다음 TensorFlow 모델을 사용하여이 모델을 내 보냅니다 일반적으로

pb PDF 인 TensorFlow 고정 그래프로 파일 그러나이 파일도 사용할 수 없습니다 산호에 배치 할 준비가되지 않았습니다 다음 단계는 당신이해야 할 일입니다 이 제품을 TensorFlow Lite 모델로 변환해야합니다

TensorFlow Lite 변환기가 포함되어 있습니다 그리고 나서 TensorFlow Edge TPU를 사용하여 컴파일합니다 TensorFlow 컴파일러와 바이너리 만들기 Edge TPU와 호환됩니다 그런 다음 작업을 수행 한 후에 배포합니다 이 과정은 당신의 흐름입니다

귀하의 환경에서 사용할 것입니다 구축을 위해이 플랫폼이 어떻게 당신에게 제공되는지에 대해 이야기합니다 응용 프로그램 작성 우리는 아주 처음에 우리가 원하는 산호초가 생태계의 기반 모두 함께 그래서 이것은 정말로 당신을위한 플랫폼입니다 세계적으로 지역 사회와 혁신하고 공유하는 데 사용 전부

그걸로 저는 여러분에게 하나의 예를 보여주고 싶습니다 당사의 소매 파트너 중 Gravity Link 그들은이 앱을 만들었습니다 매우 멋진 앱 휴대 전화를 사용하여 앱을 직접 다운로드 할 수 있습니다

산호초 개발위원회에 그리고 아래 링크에서 자세한 내용을 확인할 수 있습니다 또는 Google Play에서 Model Play를 검색하기 만하면됩니다 다운로드하여 시도 할 수 있습니다 이것이 우리가 모든 개발자가 기여하고자하는 아이디어입니다

이 생태계, 건물 도구, 건물 모델, 응용 프로그램 작성, 업계와 공유 그리고 이것은 산호 생태계가 지향하는 것입니다 그걸로 끝내자 AI에서 개발할 수있는 잠재적 인 영역은 무엇입니까? 이것 좀봐 물론 가전 제품이 있습니다 기구; 거기에서 개발할 수있는 많은 기회가 있습니다

산업용 창고, 장치의 모니터링, 조립 라인을 모니터링합니다 이것은 또 다른 영역입니다 로봇 로보틱스 업계와 소비자 모두 현장입니다

자동차 자동차 산업 또한 분야입니다 그리고 Google I / O 기조 연설에서 여러분 모두와 같이, 의료 기기, 의료 기기 등이 또 다른 분야입니다 그리고 마지막으로 교육 교육 보조 및 연구

기계 학습 – 기기 기반 기계 학습을 사용할 수 있습니다 당신이 혁신 할 수있는 산호를 사용합니다 그래서 할 수있는 일이 많이 있습니다 권리? 그리고 내가 오늘 이야기 한 모든 정보, 그들은 산호 웹 사이트에 요약되어 있습니다 기억이 안나면 이것을 기억하십시오

CoralwithGooglecom이라고합니다 우리의 문서, 샘플, 모델, 모든 것이 있습니다 그래서 슬라이드에 더 많은 참고 자료가 있습니다

당신은 나중에 볼 수 있습니다 Mendel Linux에 대한 참조가 있습니다 TensorFlow Lite에 대해 어떻게 할 수 있습니까? 양자화 인식 교육을 수행합니다 그리고이 모든 정보는 매우 중요합니다 Stack Overflow에서 태그가 있습니다

온라인 커뮤니티에 가입 할 수 있습니다 토론에 참여하고 대답하다 다른 개발자의 질문 또는 답변을 살펴보십시오 너를 감시하거나 서로 돕고 싶다 이 온라인 커뮤니티를 사용합니다

그리고 큰 소리로 말하고 싶습니다 우리는 당신을 위해 산호초 코드 응용 프로그램을 가지고 있습니다 I / O에서 Coral을 사용하여 실험하고 싶습니다 오늘 거기에 갈 수 있습니다 Dev Load 팀 동료는 모두를 돕고 있습니다

코딩 앱으로 간다 즉, 요약 및 행동 강령입니다 오늘 여기 와서, 번호 하나 산호 제품을 검토하십시오 TensorFlow Lite에 대해 자세히 알아보십시오

산호 보드를 사용하여 실험하기 그리고 나만의 맞춤형 모델을 구축하십시오 그리고 마지막으로, 지상에서 위로 모델을 구축하십시오 우리는 산호 플랫폼을 복용하기를 원합니다 당신의 상상력을 넣고, 혁신을 넣고, AI를 업계 곳곳의 소비자에게 제공하십시오

그래서 우리 산호 팀을 대표하여, 이 세션에 참석해 주셔서 대단히 감사합니다 고맙습니다 [음악 재생]

Building Smarter Software Robots with Robotic Process Automation & Google Cloud AI (Cloud Next '19)

[음악 재생] Francesco URIBE : 안녕하세요, 여러분 내 이름은 Francisco Uribe이고 나는 컴퓨터 비전 및 AutoML의 제품 리드 플랫폼

오늘의 강연에서 저는 기쁜 마음으로 컴퓨터 비전 플랫폼 그리고 저는 그것을 UiPath의 친구들에게 넘겨 줄 것입니다 정보 수집 및 자동화 어디서나 기술을 어떻게 사용하고 있는지 설명 할 수 있습니다 로보 틱 프로세스 자동화 기술을보다 향상시킵니다 따라서 컴퓨터 비전 팀의 사명 파트너가 차세대를 구축 할 수있게하는 것입니다 엔터프라이즈 AI 솔루션

그리고 지난 몇 년 동안 기업에 초점을 두면서, AI의 적용에 대한 획기적인 진전 서로 다른 분야에 걸쳐 예를 들어, 우리는 우리 기술을 적용하는 산업을 가지고 있습니다 시설의 피해를 탐지하기 위해, [INAUDIBLE] 유지 관리 사용 사례 또는 [INAUDIBLE] 우리 기술을 사용하는 엔터테인먼트 기업 지능형 컨텐츠 관리 시스템을 구현합니다 그리고 이번 회담의 초점은 기업 OCR과 자연어 이해를 사용하고 있습니다 기술로 데이터에서 통찰력을 이끌어 내고, 구조를 제공하고 복잡한 비즈니스 워크 플로우를 자동화 할 수 있습니다 이제 Computer Vision 플랫폼 두 세트의 제품으로 구성됩니다

첫 번째 제품 세트는 사전 훈련 된 제품으로, 두 번째는 맞춤형 AutoML 제품입니다 비전 API를 사용하면 코딩하지 않고도 모델을 사용할 수 있습니다 그것은 당신의 애플리케이션에 완전히 플러그 앤 플레이 (plug-and-play) 이러한 API를 쿼리하기 만하면됩니다 나머지 API, [? 스크래핑,?] 포괄적이고 잘 알려진 사용 사례에 이상적입니다 또한 AutoML 제품은 자체 데이터로 사용자 정의 할 수 있으며, 배후에서 활용, 구글 주 예술 신경 아키텍처 검색, 하이퍼 파라미터 튜닝 기술 그래서 당신은 그것으로 고품질의 모델을 만들 수 있습니다

그리고 이것은보다 복잡하고 특수화 된 사용 사례에 유용합니다 이제이 두 카테고리의 제품 꽤 포괄적 인 세트를 제공한다 컴퓨터 비전 모델을 구현하는 도구 그러나 AI 도구는 기업 AI 구축에 필요한 방정식의 일부 오늘날의 기업들은 여전히 ​​심각한 도전에 직면 해 있습니다 자신의 데이터를 논쟁하고 실제 생산을위한 바이 인 (buy-in)을 모색 마지막 마일의 모델

이러한 이유로 클라우드 AI에서는 그것이 우리에게 중요하다고 결정했다 이 기술을 민주화하고 주요 기업과 파트너 관계를 맺고, 그래서 공동으로 우리는 기업의 가장 깊은 것을 해결할 수 있습니다 도전 오늘날 대부분의 기업이 당면한 핵심 과제 중 하나 콘텐츠의 90 %가 완전히 어둡고 구조가 없으며 상당한 양이 필요합니다 이해하고 통합 할 수있는 인간 노력 비즈니스 워크 플로우로 그런 이유로 어제 우리는 AI 이해

문서 AI를 이해하는 것은 우리의 [? 파트너리스 솔루션] 구조화 된 데이터를 이해하는 데 도움이됩니다 인보이스, 법률 문서, 세금 양식 등 – 비즈니스 워크 플로우 자동화 및 개선 의사 결정 예를 들어, 오늘 인보이스 처리 매우 힘든 작업입니다 오늘, 당신이 물리적 인보이스를받을 때, 인간은 필드를 ERP 시스템에 직접 입력해야합니다 자, 수십 번에 걸쳐 그것을해야한다고 상상해보십시오

또는 심지어 수십만 개의 청구서가 필요합니다 그것은 많은 일을하고 있으며, 오류가 발생하기 쉽습니다 우리의 기술로 스캔 한 인보이스를 돌려 드릴 수 있습니다 모든 필드가있는 디지털 구조 JSON 그래서 우리 파트너들과 함께, 우리는이 데이터를 다운 스트림 비즈니스 프로세스에 통합 할 수 있습니다 P2P 비즈니스 프로세스처럼 그래서 이것은 매우 변형적인 것이라고 우리는 믿습니다

이제, 높은 수준에서, 문서 이해 AI 구조화되지 않은 문서를 구조화하는 데 도움을줍니다 더 나은 조직을 구현하는 목표 귀하의 데이터 중 검색을 활성화하십시오 또한 비즈니스 자동화 및 수리가 가능합니다 워크 플로우를 개선하고 의사 결정을 향상시킬 수 있습니다 이제 어떻게이 기술이 RPA 공간에서 실제 업무용으로 사용되는 경우, 마크, 감독을 초대하게되어 기쁩니다

UiPath에서의 AI 및 Ravi 선임 이사 펩시코에서 디지털 서비스를 제공합니다 Mark BENYOVSZKY : 고마워 고마워, 프란체스코 그래서 나는 누가 시작하는지 조금씩 이야기하면서 시작하고 싶다 UiPath는 당신이 우리에게 익숙하지 않은 경우에 대비합니다

조직으로서 오늘날 우리는 가장 빠르게 성장하는 조직입니다 엔터프라이즈 회사 소프트웨어에서 우리의 속도로 성장하고있는 역사 우리는 2,000 명이 넘는 글로벌 기업 고객을 보유하고 있습니다 우리 플랫폼을 정기적으로 사용하고 있습니다

그리고 우리는 1,500 명 이상의 UiPath 직원을 보유하고 있습니다 귀엽게 조직에서 매일 성장하고있는 꾸준한 클립 우리는 300 명이 넘는 파트너를 보유하고 있습니다 우리는 매우 크고 부유 한 파트너와 함께 일합니다 우리 플랫폼을 가능하게하는 생태계 그만큼 견고합니다

여러 투자 파트너가 투자하고 있습니다 우리는 현재 4 억 달러 상당의 투자를하고 있으며, 30 억 달러 가치 평가 그리고 우리는 RPA의 카테고리 리더로 인정 받고 있습니다 로봇 공정 자동화 스폰서 십 관점에서 우리는 Excel, CapitalG, Kleiner를 포함한 훌륭한 후원사가 있습니다

퍼킨스 (Perkins), 세쿼이아 (Sequoia) 이 공간에서 우리를지지하고 있습니다 그리고 전체적으로 볼 때, 로봇 프로세스 자동화 란 무엇인가? 이것에 대한 UiPath의 구체적 견해는 무엇입니까? 실제로 스크립트를 쉽게 배포 할 수 있습니다 인간이 매일하는 일을 감당할 수있다 이러한 작업을 고도로 반복 가능한 방식으로 자동화 할 수 있습니다 그래서 이것들은 우리가 기본적으로 할 수있는 규칙 기반 스크립트 인 경향이 있습니다

그런 다음 인간이 화면에서하는 일을 비추고, 응용 프로그램 작업 및 하나에서 데이터 이동 응용 프로그램을 다른 응용 프로그램으로 우리가 그것을 아주 간단하게 만드는 방법 그 UI 레이어, 즉 UiPath에서 작업한다는 것입니다 따라서 통합에는 우리가 반드시 API 계층에 있기를 원하지 않는다면 우리는 일해야합니다 또는 서비스 계층 또는 데이터로 이동하는 것에 대해 걱정할 필요가 없습니다 계층에서 이러한 유형의 통합을 수행 할 수 있습니다

원하는 경우 UI 레이어를 통합 할 수 있습니다 또는 API 계층에서도 사용할 수 있습니다 고객이 찾는 이유에 대한 또 다른 강력한 측면 플랫폼에서 많은 이익을 얻을 수 있습니다 낮은 코드 환경 따라서 비즈니스 사용자는 실제로 우리 플랫폼으로 작업을 시작할 수 있습니다

어쩌면 특정 공정 영역을 시뮬레이션하기 위해 그들은 자동화하고 싶어한다 그리고 그들은 그들이 실제로 프로그래밍 기술 없이도 그 과정을 수행 할 수 있습니다 그 과정을 옹호하고 조직 내에서 궁극적으로 구현되어야한다 생산 노력의 일환으로 그래서 재미있는 것들 중 하나입니다 RPA 공간에서 일어나는 일은이 아름다운 결혼입니다

RPA와 AI 사이 그래서 AI는 정말로 차세대를 가능하게 할 것입니다 스마트 로봇의 능력, 근본적으로, 우리는 기본적으로 수행중인 로봇에서 본질적으로 매우 반복적 인 규칙 기반 작업 궁극적으로 점점 더 많은 사람들에게 조직 내에 존재할 수없는 복잡한 작업 반드시 규칙에 따라 목록 화되어야하며, 인지 기능이 더 필요합니다 따라서 AI 나 기계 학습에 관해 생각할 때, 이러한 기능을 어떻게 활용할 수 있습니까? 예측 및 확률 론적 모델링 그리고 득점 및 심화 학습 유형의 능력 로봇을 가능하게하는 컴퓨터 비전 이 새로운 기술을 가질 수 있어야한다 기업 내부에서 더 나은 업무, 더 많은 일을 할 수 있습니까? 그래서 우리는 이것을 사실 변곡점으로 봅니다

그리고 근본적으로 업계로 전환하려고합니다 이 규칙 기반 구조에서 매우 지능형 기반 구조로 더 많은 작업을 수행 할 수있는 로봇 우리는 오늘날 기업 내부에서 그 일을합니다 자, 우리가 이것을 취하면 실제로 그것을 문서 처리 공간에 적용한다 조직의 모든 기업 다양한 유형의 문서를 대량으로 처리합니다 조직 전체에서 그 문서들에 관한 중요한 점 핵심 비즈니스 데이터가 해당 문서에 갇혀 있다는 것입니다

그리고 때로는 그 문서가 인쇄 형식으로되어 있습니다 우리는 그들을 얻기 위해 디지털화해야합니다 그 유형의 전자 형식의 데이터 다른 경우에는 디지털 문서가 있습니다 우리는 그 데이터를 얻을 수 있습니다

하지만 중요한 것은 데이터를 어떻게 가져올 것인가입니다 안정적이고 신속하게 그렇게함으로써 궁극적으로 우리는 데이터에서 통찰력으로 이동할 수 있습니까? 그것이 사업에 중요한 요소이기 때문입니다 내 문서에서 해당 데이터의 잠금을 해제하려고합니다 나는 통찰력을 얻고 싶습니다 그 지식에 대한 지식을 더 얻는다

여기에 우리가 볼 수있는 것이 하나의 예입니다 로봇은 어떤 역할을합니까? 로봇은 문서 수집 프로세스를 자동화 할 수 있습니다 환경 내에서 따라서 이메일 상자에서 문서를 가져올 수 있습니다 이메일 첨부 파일로, 아마도 청구서 이메일에서 오는

파일 저장 시스템이있는 경우, 파일 시스템을 검사하고 거기에서 문서를 가져올 수 있습니다 BLOB 저장소 유형의 환경이있는 경우, 거기에서 문서를 가져올 수도 있습니다 로봇을위한 훌륭한 기술입니다 우리가 필요로하는 문서를 찾을 수 있습니다 우리가 할 수있는 이익 중 하나 일단 우리가 그 문서를 가지고 있으면 우리는 문서 기능을 평가할 수 있으며, 예를 들어 특정 문서 유형이 송장입니다

그 송장을 특정 방식으로 처리해야한다는 것입니다 그래서 우리는 많은 기능을 제공합니다 플랫폼 내 기능 개발 사전 처리 측면을 볼 수 있어야한다 해당 문서의 데이터를 추출합니다 그런 다음 모든 유형의 후 처리 활동 해당 데이터를 다운 스트림에 맞게 얻을 수 있어야합니다

SAP와 같은 생산 기반 시스템으로, 예를 들면 그래서 그 가치는, 우리가 그 데이터를 추출 할 때, 우리는이 데이터를 매우 일반적인 데이터 형식으로 얻습니다 지능형 JSON 구조에서 키 값 쌍 정보, 추출 테이블 수준 세부 정보 그 외에도 우리는 신뢰 수준 정보를 알고 있습니다 얼마나 좋은가에 따라 알고리즘에서 오는 것입니다 추출을 수행 하였다

그리고 그것은 우리가 해당 유형의 데이터에 대해 많은 규칙을 설정할 수 있습니다 높은 신뢰도의 데이터를 처리 할 수 ​​있어야한다 아마도 낮은 신뢰도의 데이터와 다르게 또한이 데이터가있을 때 많은 것들이 있습니다 우리는 분류자를 활용하는 것과 관련하여 할 수 있습니다 그래서 문서 분류자를 가질 수 있습니다

인보이스 또는 건강 상태의 문서를 찾을 수 있습니다 보육 기반 문서 또는 혜택 기반 문서를 참조하십시오 따라서 다른 방식으로 해당 문서를 처리 할 수 ​​있습니다 그 데이터를 자연스럽게 사용할 수도 있습니다 추가적인 기계 학습 모델을 지원할 수 있어야한다

스코어링 알고리즘 또는 특정 목적에 맞는 맞춤 주변 특정 비즈니스에 적합한 모델 도메인 또는 기능 영역 그리고, 본질적으로 일단 우리가 그 데이터를 얻으면, 로봇은 실제로 인간과 작업 할 수 있습니다 임무를 완수 할 수 있어야한다 이것이 인간과 로봇, 인공 지능에 관한 것입니다 기본적으로 함께 일합니다

그들이하는 일은 휴먼 인더풀 (human-in-the-loop)을 통해서입니다 방법 그래서 오늘 우리가 나중에 설명 하겠지만, 우리는 실제로 그 데이터를 추출 할 수 있습니다 최소 임계 레벨을 충족시키지 못하면 JSON 페이로드에 들어있는 신뢰 정보를 우리는 휴먼 인더 루프 (human-in-the-loop) 프로세스로 갈 수 있습니다 그래서 인간은 추출 된 것을 실제로 볼 수 있습니다

해당 데이터에서 특정 기능을 수정하거나 유효성을 검사하십시오 하류 시스템으로 가기 전에 추출 그 과정이 끝나면 로봇이 다시 집을 수 있습니다 Google 스프레드 시트를 채우거나 SAP로 이동하십시오 다양한 방문 소스로 이동할 수 있습니다

아마도 일부 데이터 저장소를 포함 할 것입니다 데이터 마이닝 사이트 용 따라서 AI 및 RPA 사례 연구의 관점에서 볼 때, 인보이스에 대한이 개별 사용 사례, 이 기능은 여러 유형의 문서를 지원할 수 있습니다 송장은 전통적으로 수작업으로 처리되는 경향이 있습니다 따라서 점점 더 많은 노력이 필요합니다

송장 발행 및 실행 인보이스는 흥미 롭습니다 여러 가지 다양한 기능 세트가 있습니다 그래서 우리는 기계로 만들어진 텍스트를보고, 필기를 봅니다 서명과 로고처럼 물건이 있습니다

따라서 일관되게 어려운 문제입니다 실제로 이러한 문서를 대규모로 처리 할 수 ​​있어야합니다 그래서 우리는 함께 일함으로써 게임을 바꾸고 있습니다 AI에 대한 투자를 이끌어 내고 Google과 파트너십을 맺은 RPA 플랫폼 Google의 문서 이해 AI를 통해 비용 절감에 도움이되는 기능 그 수동 무거운 짐과 관련된 오류 데이터 또는 회전 의자 추출하기 데이터를 터미널이나 화면에 다시 입력 할 때 그 결과로 나는 이익을 얻을 수있다 증가 된 효율과 더 빠른 속도, 사기 및 사기 탐지와 같은 것을 살펴보기 시작합니다

특정 시장에있을 수있는 일부 인보이스에서 우리는 더 높은 사기를 발견했습니다 따라서 접근법은 양식에서 콘텐츠를 추출하는 것입니다 그리고 테이블을 작성한 다음 기본적으로 그 휴먼 – 인 – 더 – 루프 프로세스 시스템을 시작해야합니다 실제로 나중에 비디오 프레젠테이션에서 기능을 사용할 수 있습니다 그러나 높은 수준에서 본질적으로 무엇 우리가보고있는 것은 공급 업체 인보이스가 들어올 수 있다는 것입니다

로봇이 집어 올릴 수 있습니다 그것을 UiPath의 문서 프로세서로 넘겨 주며, 그런 다음 Google 문서 이해와 상호 작용합니다 AI가 추출 된 값을 추출 할 수 있습니다 검증 단계를 수행해야하는 경우, 그것은 휴먼 – 인 – 더 – 루프 프로세스를 시작합니다 그리고 나서 로봇은 문서를 픽업 할 수 있으며, 인간의 검증 또는 정제 후 데이터를 백엔드 시스템으로 전달할 수 있어야합니다

그래서 그걸로 넘어갈 것입니다 라비에게 우리가 실제로 어떻게 적용하는지 이야기 해 그의 환경에서 RAVI BOGGARAM : 감사합니다, Mark 따라서 Google과 공동 혁신을 통해, UiPath뿐 아니라 여기에 샘플 대표 사용을 입증하는 방법 우리가 실험 한 사건 유스 케이스를 입증했습니다

그리고 여기, 우리는 그 샘플을보고 있습니다 가능한 모든 기능의 표현에 가깝다 Mark로부터 방금 들었던 것, 비정형 데이터 컴퓨터가 생성 한 컴퓨터 생성 데이터 거기도있다 손으로 쓴 서명이 있습니다 승인 인감이 있습니다

그리고 도장 안에서, 다시, 구조화되지 않은, 필기 정보가 있습니다 다양한 유형의 구조화되지 않은 정보 사용할 수 있습니다 그런 비정형 데이터로부터 정보 통찰력 수집 이 사용 사례입니다 근본적으로, 우리는 여기에 모든 정보가 있습니다 가장 중요한 것은 UiPath 플랫폼의 봇 (bot) 그 정보를 해부 할 수있다

특수 효과를 추가하고 앞으로 나아갈 수 있습니다 그리고 그것이 그 정보에 작용할 때, Google 문서 이해 API 호출을합니다 AI 기능 그리고 나서 그 반응이 다시 돌아옵니다 우리가 Mark에서 들었던 것처럼 내부 JSON 구조 형식입니다

그리고 그 정보를 바탕으로, 일정 수준 신뢰 요인의, 우리는 해독 할 수 있었다 비정형 컨텐츠 정보, 여부를 포함하여 키 값 쌍, 여부 송장 번호, 날짜, 공급 업체 세부 정보 – 특히 가장 중요한 교통 번호 다수의 유사한 키 값 쌍이 추출되고, 그것은 지능적인 추출입니다 더 중요한 것은 광고 항목 세부 정보입니다 테이블 파싱은 매우 또 다른 Google 문서의 중요하고 강력한 기능 AI API 호출 이해 그리고 그걸로, 추출 정보를 아는 것입니다

품질과 신뢰 수준 매우 중요합니다 특정 임계 값을 미리 정의 할 수 있습니다 그리고 임계 값이 충족되면 봇은 자동으로 진행될 수 있습니다 백 오피스 시스템을 업데이트하려면, ERP, SAPR, 기타 백 오피스 따라서 시스템 스위블 의자 같은 정보 유형 인간이 더 이상 필요하지 않습니다

봇이 그렇게 할 수 있습니다 아래 그림을 볼 수 있습니다 응답으로 다시 해부됩니다 JSON 구조에 모든 요소가 해부되며 그 정보가 있습니다

그리고 임계 값이 충족되지 않으면, 우리는 휴먼 인더풀 (Human-in-the-Loop)이 재정의 할 수있는 기회를 갖게됩니다 그 정보는 다음과 같이 나란히 비교를해라 이 파싱 ​​된 정보뿐만 아니라 원본 정보도 가지고 있습니다 옆에

그리고 분석가 인 인간은 필요한 경우 재정의를 할 수 있으며, API 호출에 의해 충족되지 않는 임계 값에 기초 JSON 구조를 반환합니다 여기 그림에서 볼 수 있습니다 검토가 끝나면 봇은 계속 진행할 수 있습니다 human-in-the-loop가 업데이트되면, 다음 단계에서 봇은 계속 진행하고 업데이트 할 수 있습니다 필요에 따라 백 오피스 시스템

여기서 앞서 언급 한 것처럼 테이블 구조를 파싱합니다 매우 중요합니다 여기서 언급 할 가치가있는 강력한 기능 중 하나는, 그것은 아니에요 [? 구문 분석?] 테이블 구조 templatize하려면, 아니 이것은 하나의 강력한 컴퓨터 비전 기반, 지능형 추출 기능을 제공합니다 이것이 바로 언급 할 가치가있는 이유입니다

파싱 ​​된 정보는 UiPath Studio에 표시됩니다 왼쪽 이미지에 오른쪽에는 실제 인보이스가 있습니다 추출이 완료되었습니다 그리고 검증 스테이션이 그 견해를 제공하고 있습니다

그리고 당신의 휴먼 – 인 – 더 – 루프가 있다면, 모든 필드를 업데이트하고 재정의 할 수 있습니다 임계 값에 도달하면 시스템이 자동으로 다음 단계로 진행합니다 또한 Mark가 언급 한 추가 기능은 로봇입니다 지능형 분류를 사용할 수 있습니다 지리 기반 탐지를 위해 내장 된 기능입니다

또는 감사의 종류로 사용됩니다 이 모든 것들이 플랫폼에서 UiPath 플랫폼을 사용할 수 있습니다 그런 다음 그 정보를 분석 할 수 있습니다 이러한 종류의 범주로 분류합니다 우리가 여기서 본 그림에서

분류의 표현으로 예를 들어, 오른쪽에, 당신은 임계 값 후에 특정 금액 수준을 볼 수 있습니다 당신은 자동적으로 언급 된 감사를 원한다 그래서 봇이 자동으로 UiPath 플랫폼을 잡아냅니다 감사를위한 후보자라고 언급했습니다 이러한 유형의 기능은 모두 내장되어 있습니다

이것은 ML 기반, AI, 컴퓨터 비전 기반, 조합 사용입니다 Google Cloud Platform 간의 사례 및 UiPath 플랫폼 우리는 두 파트너와 함께 공동 혁신을 수행했습니다 그리고 그로 인해 수많은 이점이 있습니다 그것은 단지 구조화되지 않은 정보 해부가 아닙니다

우리는 인보이스에 대해서만 보았습니다 솔직히 이점은 그보다 훨씬 큽니다 그것은 수동적 노력을 놀랍게 등록합니다 송장 처리 시간을 등록합니다 봇이 자동화 된 방식으로하고 있기 때문에, 수십만 건의 문서 처리하는 경우도 있습니다

그리고 여기에서 데이터는 검토되고 인간에 의해 검증됩니다 또한 정확도가 문제가되지 않습니다 왜냐하면 여기에서 봇은 실제로 그것에 작용하고있는 봇입니다 또한 또 다른 강력한 기능 실제로 그 정보를 수집 할 수 있습니까? 백 오피스를 업데이트하기 전에 오류가 있으면 잡으십시오 SAP와 다른 것들과 같은 시스템은, 왜냐하면 이곳은 선행으로 알려져 있기 때문입니다

그리고 그것은 인간과 봇이 함께 일할 수있게합니다 더 빠르고 더 높은 성능을 제공합니다 또한 확장 기능으로 공급망과 같은 다양한 다른 영역으로 확장되었습니다 창고와 다른 여러 곳에서 그리고 그걸로 마크에게 다시 전달할 것입니다

동영상에서 이러한 기능을 보여줄 수 있습니다 MARK BENYOVSZKY : 훌륭합니다 고마워, 라비 그래서 가장 좋은 부분은, 우리가 시작할 수 있다면 – 사실,이 티셔츠를 보자 그래서 가장 좋은 부분은 실제로 행동을 보는 것입니다

그래서 당신은 활주로를 보았습니다, 그것은 위대했습니다 그러나 우리는 실제로 이러한 기능들이 어떻게 플랫폼에서 작동합니다 첫 번째 사례에서 우리는이 문제를 시작하게 될 것입니다 우리가 비디오를 볼 수 있다면 좋을 것입니다 여기서 우리는 실제로 어떻게 우리가 이미 UiPath 로봇을 시작하십시오

특정 파일을 들여다 볼 수 있도록 만들어졌다 디렉토리에 저장하고 처리 할 문서가 있는지 확인하십시오 우리는 우리가 취할 수있는 번호가 있습니다 Google Cloud에 실제로 업로드 할 수 있습니다 저장 용량을 늘리고 싶다면 특정 문서에 대한 클라우드에서 그런 다음 문서 이해를 통해 추가 처리 할 수 ​​있습니다 일체 포함

그리고 나서 우리는 우리는 실제로 그 문서를보고 싶다 추출 결과에 따라 그래서 우리가 이전에이 문서를 본 적이 없다면 – 우리가 인보이스를 처음 보았을 때, 예를 들어 우리는 모든 기능을 가지고 있지 않을 수도 있습니다 택 소노 미와 관련된 추출에서 송장과 관련 그래서 인간은 매우 빨리 들어갈 수 있습니다

실제로 실제 측면을 강조 표시합니다 송장 번호, 구매 주문서 번호, 날짜, 공급자가 누구인지, 청구 된 주소 정보와 관련된 세부 정보 일반 공통 헤더로 발송됩니다 우리가 볼 수있는 정보의 유형, 소계 및 전체 정보가 포함됩니다 그래서 매우 빠른 과정입니다 로봇이 인간을 위해 그것을 어떻게 만들 수 있는지 매우 쉬운 UI 유형의 방법으로이를 수행 할 수 있도록하려면, 그런 다음 프로세스를 완료 할 수 있습니다

다른 예는 실제로 만나면 어떨까요? 최소 문턱 값? 두 번째 문서를 업로드하면 Google Cloud, Buckets으로 이동합니다 그러나 우리는 문서 이해 인공 지능은 거기에서 피쳐를 추출 할 수 있습니다 최소 임계 값에 대한 우리의 기준을 충족하는 경우, 우리는 반드시 그 인간 루프를 가질 필요는 없다 프로세스가 존재할 수 있어야합니다 문서는 계속 진행될 수 있습니다

우리가 다른 문서를 가지고 있다면 여기에 테이블 기능을 보여주기 위해, 뿐만 아니라, Ravi가 지적했듯이 여기에 정말 강력한 기능이 있습니다 실제로 테이블을 구문 분석 할 수 있습니다 신뢰 수준은 약간 낮을 수 있습니다 그러나 인보이스에서 확인할 수있는 것은 무엇입니까? 나오는 세부 데이터입니다 인보이스 자체의 따라서 그것은 특히 어려운 과제입니다

종종 라비 (Ravi)가 언급했듯이, 사전 스크립팅되거나 템플리트 화되어 있습니다 여기서 우리는 단지 컴퓨터 비전과 ML 타입을 사용하고 있습니다 해당 정보를 탐지 할 수있는 기능, 그것을 정확하게 분석하십시오 그리고 다시 검증 스테이션을 통해, 인간은 기본적으로 추출면을 볼 수있다 해당 확인을 위해 실제 문서 자체와 나란히 재미있는 또 다른 것은 보는 것입니다

로봇은 무엇을 보는가? JSON 페이로드가 있습니다 우리는 그 데이터를 자연스럽게 받아 들일 수 있습니다 원하는 경우 Google 스프레드 시트와 같은 것으로 피드 할 수 있습니다 그리고 우리는 모든 데이터를 볼 수 있습니다 실제 추출 과정에서 나온다

인간의 읽기 쉬운 유형의 방식으로, 그뿐만 아니라 상세한 테이블 데이터도 제공합니다 또는 이것을 사용하여 분석 할 수 있습니다 더 많은보고 또는 분석이 있다면 우리가 내놓을 수 있기를 원했던 대시 보드 이 데이터에 대해 하지만 더 중요한 것은 아마도 우리가하고 싶은 일입니다 그 송장 데이터를 가져 가고 싶습니다 로봇이 다시 데이터를 가져와야합니다

우리를 대신해 SAP에 로그인하십시오 그래서 로봇은 기본적으로 다음을 인증합니다 여기에 사용자 및 암호 자격 증명이 있습니다 작업에 있음을 자동으로 인식합니다 송장 데이터를 입력 할 수 있습니다

SAP와 함께 적절한 화면으로 이동할 수 있습니다 그 데이터를 입력하고 추출한 모든 해당 정보 그 과정에서 자동으로 다시 한번 로봇은 실제로 이러한 작업을 수행하고 있습니다 인간이 환경에서 일반적으로하는 일 – 우리가 여기서 그걸 막을 수 있다면 좋을거야 반드시 들어가서 수행 할 필요없이 그 기능 자체

그래서 여기서 우리가 실제로 시연 한 것은 믿을 수없는 종단 간 유형의 기능입니다 이 특정 예는 송장, 그러나 모든 유형의 엔터프라이즈 문서에 적용 할 수 있습니다 비 구조화, 반 구조화 및 구조화 플랫폼의 또 다른 강력한 측면 진정으로 기업 차원에서 사용될 수 있다는 것입니다 그리고 마지막으로, 여기에 착륙하기 위해, 우리는 라비가 전에 보여준 다른 그래픽을 가지고있다 분류 기법으로

우리 시간은 없어 우리는 정말로 당신과 이야기하는 것을 즐겼고, 대단히 감사합니다 Francisco URIBE : 대단히 감사합니다, Mark와 Ravi 그것은 굉장한 발표였습니다 훌륭한 파트너가되어 주셔서 감사합니다

그래서 다음에는 소개하고 싶습니다 Abhijit, 제품 및 엔지니어링 담당 SVP Automation Anywhere 및 Gans에서 BPO 디지털 경험 Infogain의 통찰력 ABHIJIT KAKHANDIKI : 이봐, 고마워 좋아 그래서 저는 Automation Anywhere에서 왔습니다 우리는 다시, 이 전체 공간에서 주요 벤더 중 하나

우리는 실제로 용어를 만들었습니다 "디지털 인력" 그리고 그 생각은 마치 인간처럼, 당신은 실제로 사물을 실행하거나 일을합니다 그런 다음 당신은 생각하고, 분석하고, 너 커피 마시 러 글쎄, 거기에 해당하는 디지털 있습니다 이것이 실제로 우리 제품 포트폴리오가 구성하는 것입니다

따라서 우리는 핵심 엔터프라이즈 RPA 플랫폼을 보유하고 있습니다 그리고 로봇은 400 가지 유형으로 작업 할 수 있습니다 프레임 워크의 사실, 내가 넣은 방법은 봇이 몇 가지 수준을 볼 수 있습니다 인간이 할 수있는 것보다 더 깊다 그리고 그들은 실수를 저지를 가능성이 적습니다

따라서 핵심 RPA 플랫폼이 작동 할 수 있습니다 거기에있는 응용 프로그램 중 하나를 선택하십시오 그런 다음 우리는 실제로인지 구성 요소를 가지고 있습니다 지난 4 년 이래로 우리 제품 라인에 그리고 다시, 우리는 몇 가지 응용 문서의 이해, 문서 처리는 물론 우리는 어디에서나 공개되고 공개되는 봇 스토어를 가지고 있습니다 30 ~ 40 개의 다른 도메인을 찾을 수 있습니다

모든 종류의 다른 문서가 처리됩니다 또한 실제로 제공하는 스마트 한 BI 플랫폼을 보유하고 있습니다 실시간으로, 봇에 대한 운영 통찰력뿐만 아니라 – 각 봇이 무엇인지, 모든 종류의 봇 보안 분석 하지만 우리가하는 일은 봇이 처리합니다 그리고이를 통해 실시간 비즈니스 통찰력을 얻을 수 있습니다

그래서 우리는 RPA가 실제로 비즈니스 기회를 발견하는 데 중요한 역할을합니다 프로세스 비용과주기를 줄이는 것이 아닙니다 타임스 따라서 이것이 디지털 인력입니다 디지털 인력을 사용할 수 있습니다

프로세스 별 또는 디지털 근로자별로 봇 저장소에 저장됩니다 비즈니스 프로세스를 살펴보면, 데이터와 관련하여이 단계들로 구성됩니다 데이터를 캡처 중입니다 또는 당신이 그것을 풍요롭게하고, 그것을 확인하고, 처리하고, 그것을 조정하고, 분석하고보고 할 수 있습니다 전통적인 RPA는 대부분의 단계를 처리하지만, 인공 지능은 여러 측면에서 여전히 필요합니다

따라서 우리는 핵심 플랫폼에 인공 지능을 내장했습니다 깊은 학습에 기반한 핵심, 컴퓨터 비전 실제로, 비록 우리가 그 틀을 이해하지 못한다 할지라도, 스크린을 거대한 이미지로 취급하더라도, 봇은 여전히 ​​100 % 안정적으로 작동 할 수 있습니다 그러나 우리는 이것을 확장하고이 진정한 동반자 관계를 형성했습니다 RPA와 AI 사이에서 모든 AI 모델을 임베드 할 수 있습니다 그래서 플랫폼의 하이라이트 중 하나 당신이 실제로 전통을 묻을 수 있다는 사실입니다

Google과 같은 제공 업체의 AI 모델을 퍼갈 수 있습니다 뿐만 아니라 사용자 정의 AI를 가질 수 있습니다 당신이 만드는 모델 그래서 예를 들어, 파이썬 스크립트를 실행하는 등등 그래서 우리는 여기서 기뻐합니다

우리는 Google과 매우 높은 수준으로 파트너 관계를 맺고 있습니다 Google AI 만 사용하는 것이 아닙니다 하지만 Google Cloud에서 봇을 실행하는 것입니다 마지막으로 봇과 상호 작용하는 인간 Google 생산성 제품군을 통해 여기에 매우 흥미로운 유스 케이스가 있습니다 그리고이 유스 케이스에 대해 이야기하기 위해 Google 컴퓨터 비전을 어떻게 활용했는지 API를 통해 고객의 10 배 성장 준비, 이런 종류의 거래 증가를 달성하는 곳 봇을 사용하지 않고서는 불가능했습니다

그리고 여기에 대해 더 이야기하는 것은 Gans입니다 우리 파트너 인 Infogain으로부터 가나 파티 수 브라 만 : 감사합니다, 아브 시트 Infogain에 대한 간단한 메모 우리는 30 세의 소프트웨어 엔지니어링 회사입니다 우리는 로스가 토스에 기반을두고 있습니다

우리는 전 세계에 지사를두고 있습니다 우리는 몇몇 주요한 기술 회사와 파트너 관계를 맺고 있으며, Fortune 지 선정 500 대 기업을 지원합니다 디지털로 Google은 Google 및 Automation Anywhere의 파트너입니다 매우 흥미로운 사례 연구에 대해 이야기하겠습니다

고객을 위해 여기에 있습니다 여기서 우리가 이야기하고자하는 것은 고객입니다 이는 기본적으로 세계에서 가장 큰 여행 시장입니다 매년 4 억 명이 넘는 손님이 도착합니다 웹 속성 및 모바일 속성에 대해 그리고 그들이 가진 흥미로운 문제 중 하나 귀하가 10 개 이상의 부동산을 보유한 고객 세그먼트였습니다

당신이 그들의 플랫폼에서 거래하기를 원했습니다 이러한 속성 – 혹시 자신의 웹 사이트에 갔다면, 거의 10 페이지의 데이터가 있음을 알 수 있습니다 당신이 순서대로 제공해야하는 플랫폼에 등록 정보를 나열하는 방법 모든 것들을 통과하십시오 매우 수동적 인 프로세스 그것은 많은 시간이 걸렸다

재산에 대한 전체 절차는 최대 30 일이 걸렸습니다 나열 될 5 일에서 7 일은 그저 데이터 부분 일뿐입니다 그리고 온 보딩 조수가 많이 있었지만, 전체 온 보딩 지원이 수동으로 제공되었습니다 그래서 당신은 팀을 불러야했습니다 팀은 그걸 통해 물건을 챙길 것입니다

이 경험에서 많은 마찰을 불러 일으킨 것은 무엇입니까? 고객은 기본적으로 사실이었습니다 왜냐하면 수동 프로세스 였고, 매우 낮은 활성화를 보았습니다 율 활성화는 신규 가입 절차입니다 실제로 사이트에 귀하의 재산을 가지고 사이트의 트랜잭션

그리고 그것은 저소득층에 속합니다 그리고 그 이유는 주로 수동 프로세스 때문입니다 데이터 품질이 좋지 않습니다 데이터에 많은 오류가있었습니다 처리되었습니다

불완전한 저작자 표시가있었습니다 따라서 해당 메타 데이터를 실행할 수 없습니다 캠페인 및 프로모션 및 검색을 실행합니다 그리고이 과정은 훨씬 더 작은 규모로 수행되고있었습니다 볼륨의

그리고 고객은 10 배의 성장을 예상했습니다 그리고 이것은 앞으로 나아갈 수있는 확장 가능한 프로세스가 아닙니다 Google 및 Automation Anywhere와 협력 할 때 이 고객을 돕기 위해 한 가지 간단한 목표가있었습니다 전환 유입 경로를 최적화하는 방법은 무엇입니까? 그 말은 내가 많은 고객들을 등록하면 사이트에서 더 많은 거래가 필요합니다 그것은 주요한 것이 었습니다

전환 깔때기를 보면 전환 깔때기에는 세 단계가 있습니다 하나는 사이트에 업체 정보를 만들어야한다는 것입니다 재산으로 그리고 그것은 많은 시간을 소비하고 있었던 것이 었습니다 우리가 얘기 한 것처럼

둘째, 편의 시설을 통해이 리스팅을 풍부하게하는 방법은 무엇입니까? 데이터 및 기타 데이터를 수집하여이 목록을 활성화 할 수 있습니다 더 많은 사용자 앞에 놓으십시오 그리고 세 번째 것은, 어떻게 당신은 점점 더 나은 데이터를 생성하여 프로모션 및 검색을 얻을 수 있습니까? 그래서 이것이 우리가 해낸 목표였습니다 그리고 그것이 우리가 로봇을 처음으로 데려온 곳입니다 자동화 어디에서나, 우리는 Google 클라우드에서 그리고 우리는 기본적으로 목록 작성을하는 로봇을 가지고있었습니다

또한 데이터를 수집하여 그것의 자동화 된 수 및 누군가 수동으로하지 않아도됩니다 그리고 그 목록이 만들어지면 그것에 관한 모든 데이터를 가지고, 그것은 인간, 팀 밖에서, 데이터를 승인하고 목록 데이터를 꺼내십시오 그곳에 일단 완료되면 API 통합을 사용했습니다 기본적으로 Google 클라우드에 데이터를 전송합니다

고객이 보유한 웹 자산으로 그리고 그것이 완료되면, 목록 웹 사이트에서 일어났습니다 그리고 이전에는 수동으로 모두 완료되었습니다 API없이 클라우드 인프라없이 모두 자동으로 수행됩니다 일단 우리가 그렇게하자 우리는 몇 가지 이점을보기 시작했습니다 고객을 위해 다음 단계로 이동했습니다

프로젝트의 내용은 기본적으로 자동화 된 무언가가 있습니다 뭔가 자동화 된 자동화를 어떻게 할 수 있을까요? 그래서 자동화에는 세 가지 기본 요소가있었습니다 보시다시피 첫 번째 문제는 첫 번째 단계에서 우리는 이미 처리 시간을 개선했습니다 우리는 그것을 셀프 서비스로 만들었습니다 그래서 Jira를 Google Cloud 인프라에 통합했습니다

고객이 자신의 티켓을 볼 수 있도록 그들의 재산이 어디 있는지 알아 냈어 온 보딩 전 과정에서 그러나 우리는 이것을 국제 규모로 옮기고 싶었습니다 그것을 더 많은 국가로 옮깁니다 그게 바로 Google Cloud의 전체 규모와 인프라입니다 연극이 시작되었습니다

그리고 그들을 여러 나라로 데려 가기 위해 훨씬 쉬웠다 그리고 제품의 마지막 단계 기본적으로 Google의 AI 서비스를 사용하는 것이 었습니다 더 나은 데이터로 수익을 창출하는 방법을 알아 보려면 속성에서 빠져 나올 수 있습니다 어떻게 새로운 제품 범주로 옮길 것인가? 새 언어 범주, 의미에서 우리는 어떻게 사용할 수 있습니까? NLP, 어떻게 언어 번역을 사용할 수 있습니까? Google이 제공 할 수있는 서비스를 제공 할 수 있습니까? 그리고 이것은 우리가 사용한 로드맵이었습니다 Google 및 Automation Anywhere와 협력 고객을 더 큰 규모로 이동시킵니다

우리가 특히 사용한 것과 내가 여기서 말하고자하는 것 우리는 실제로 매우 빠르고 효과적으로 착수 한 것입니까? AutoML 비전 모델 통합 기존 로봇과 프로세스에 적용됩니다 이것은 우리가 한 전체 프로젝트였습니다 사용의 편의성을 보여주는 8 주 만에 및 AutoML 제품에 적용됩니다 그리고 우리는 기본적으로 가지고있는 모든 속성을 취했습니다 우리는 1,000 개의 이미지를 찍었습니다

각 속성에는 이미지가 포함되어 있습니다 그리고 전 세계에서 누군가 이미지와 함께 앉아서 각 이미지를 봐야했다 어떤 어메니티가 이미지에 있는지 확인하십시오 그리고 편의 시설은 매우 중요합니다 휴가 렌탈이나 호텔을하려, 당신이 그 재산을보고 싶어하기 때문에

당신은 그것이 무엇인지, 그것이 무엇인지를보고 싶습니다 냉장고를 가지고 있는지 여부와 상관없이 전자 레인지를 받았다 욕조있어 그리고 그것은 국제 시장에서 더 그렇습니다 그래서 우리는 1,000 개의 이미지를 가져 왔습니다

우리는 이미지 훈련을했습니다 그리고 우리는 여러 번의 반복 작업, 5 번 이상의 반복 작업을 수행했습니다 훈련 그리고 각 반복에는 약 2 그렇게하기위한 4 시간의 모델 훈련 시간 그래서 꽤 신속하게 처리 할 수있었습니다

그리고 우리는 3-4 가지 주요 편의 시설을 살펴 보았습니다 TV, 욕조 및 킹 사이즈 침대 이러한 편의 시설을 기반으로 가격 책정 권장 엔진 우리 고객의 실제로 더 효과적인 가격을 추천 할 수 있었다 귀하의 재산에 대해 요금을 청구해야합니다 그리고 8 주 만에 우리는 모든 카테고리에서 90 % 이상의 정확도 및 90 % 이상 우리가 거기 밖으로 본다

AutoML 비전은 그 뿐만이 아닙니다 빠르고 효율적 이었지만 매우 좋았습니다 고객이 원했던 데이터를 생성하는 데 효과적입니다 고객이 무엇을보고 있는지 살펴보면 되돌아갑니다 그곳에 존재했던 문제 진술에 그 중 하나가이 고객이었습니다

수동으로이 전체 프로세스를 수행하고있었습니다 아마도 한 달이 걸렸을 것입니다 이 모든 과정을 수행하는 것만으로 데이터 캡처가 가능합니다 재산의 일부는 5-7 일이었다 그리고 재산에 대해 아는 사람이라면 그 한 달 안에 초점을 맞추기 때문에 고객을 잃게됩니다

다른 물건에 그리고 이것이 정품 인증 문제가 실제로 발생하는 곳입니다 한달 만에 당신이 그들을 잃어 버렸기 때문에 들어왔다 당신은 그 부동산이 어디 있는지 몰랐습니다 그리고 정품 인증도 누락되었습니다

편의 시설 데이터가 없었습니다 메타 데이터가 많지 않았습니다 검색 엔진들 사이에 그들의 재산을 홍보하기 위해 프로모션과 같은 것들 Google의 AI 서비스와 API를 통합하여 자동화 [INAUDIBLE] 로봇, 우리는 활성화의 100 % 증가를 입증 할 수있었습니다 고객에게 직접적인 수익 인 밖에있다

이것이 우리가 할 수 있었던 것입니다 총 비용은 40 % 감소했습니다 내 말은, 디지털 유니콘이라서 정말 비용 걱정은하지 않습니다 그러나 프로세스를 확장 할 때 매우 중요합니다 당신은 거래 당 그리고 부동산마다, 비용이 내려갑니다

그래서 우리는 비용을 40 % 절감 할 수있었습니다 하지만 제 생각에 가장 중요한 사실은 가장 큰 마찰을 일으킨 사용자 중 – 우리는 돌아서 수 있었습니까? 처리 시간이 거의 70 %에서 50 % 기본적으로 뭔가 5 일에서 7 일이 걸리던 날은 이틀 만에 끝났다

이것은 매우 중요합니다 재산 관리자들에게 돌아갈 수있다 빨리 말해서, 우리가 너에게 서명 했어 당신은 살아 있고 그런 것들입니다 그리고 마지막으로 중요한 것은, 나는 생각합니다

규모에 맞게 프로세스 이동 – 그들은 15 만개 이상의 부동산을 살펴보고 있습니다 100 만 플러스까지 확장 할 수있는 해 그들이하는 일에 대해 매우 중요합니다 이것은 셀프 서비스 모델입니다 예를 들어, 예외가 발생하는 경우, 무언가를 바꿀 필요가 있다면, 오프라인에서해야 할 일이 있습니다 우리는 실제로 셀프 서비스 자동화 모듈을 제자리에 두었습니다

그리고 이것이 바로 통합 능력입니다 Google 클라우드 및 Jira와 RPA 로봇 정말로 속도가났습니다 그것은 커스텀 프로젝트가 아니 었습니다 우리는 그렇게 빨리 할 수 ​​있습니다 커스텀 API와 물건을 생성 할 필요가 없었습니다

이것이 우리가 한 일입니다 그리고이 모든 것을함으로써, 당신이 거기에서 보는 것처럼 – 나는 그것에 대해 이야기했다 96 % 정확도 및 90 % 리콜 훈련 모델 따라서 현재 모든 국가에서 시행되고 있습니다 그리고 미래의 상태는 그것을 증가시킬 것입니다

다양한 편의 시설에 걸쳐 이 속성들을 사용하여 이것이 훨씬 더 빠른 방법으로 진행되고 있음을 알 수 있습니다 당신이 할 수있는 것보다 이것은 우리가 사용하는 사례 중 하나입니다 우리 고객들과 봤어 그리고 Google의 개체 감지 AI는 매우 유용했습니다

나는 그것을 Abhijit에게 돌릴거야 우리가 만날 수있는 다른 사례들에 대해서 말하기 위해서입니다 ABHIJIT KAKHANDIKI : 이것은 놀라운, 맞 죠? 제 말은, 봇이 다음에 무엇을 할 수 있을까요? 나는 이것에 관해 내가 좋아하는 것이 그것이라고 생각한다 컴퓨터 비전의 응용 그러나 그것은 또한 빠른 결과의 실현입니다

이 전체 프로젝트가 약 8 주 만에 완료되었다는 것을 감안할 때, 고객이 전화 번호를 확장 할 수 있도록 준비했습니다 봇과의 거래 그리고 이것이 핵심 가치 소품 중 하나입니다 그 RPA가 테이블로 가져옵니다 RPA와 AI는 완전히 새로운 수준을 제공합니다 의 [? 자동?] [? RPA는 AI를 세 가지 방식으로 돕기 때문에? 그것은 데이터를 가져옵니다

AI에 교육을 제공합니다 비즈니스 컨텍스트를 가져옴으로써 이러한 서비스 중 하나 따라서 이것이 사용 사례 중 하나 일뿐입니다 우리는 실제로 더 많이 흩어져 있습니다 서로 다른 분야에 걸쳐 그래서 당신이 이것에 대해 더 알고 싶다면, 부스에서 저희를 방문하십시오

우리는 또한 행동중인 봇들과 함께이 과정에 대한 비디오를 가지고 있습니다 그들이 부동산의 시작 부분에서 실제로 어떻게 움직이는 지 모든 것을 인식하는 모든 방법 나열 거기에있는 다른 물건들, 응답을 제공 할 수 있고 휴먼 – 인 – 더 – 루프, 맞지? 따라서 신뢰 임계 값을 갖는 것과 동일한 개념 그리고 모든 것이 지정되고, 그것이 특정 임계 값보다 낮 으면, 인간은 검토하고 훈련 할 수 있도록 루프에 있어야합니다 봇 이것은 기본적으로 인공 지능입니다 배우면서, 그것은 더 좋아집니다

그리고 봇은 실제로 스스로 관리 할 수 ​​있습니다 궁극적으로 감독을 거의 또는 전혀 필요로하지 않습니다 내가 말했던 것처럼, 우리 부스에서 우리를 방문하십시오 여기 부스 1660 [INAUDIBLE]입니다 그리고 우리는 몇 가지 다른 유스 케이스에 관해 이야기 할 수 있습니다

참석해 주셔서 감사합니다 너가 말하고 싶은지 모르겠다 [박수 갈채] 감사 FRCISCO URIBE : 대단히 감사합니다 끝내기 위해서, 너를 초대하고 싶었다

cloudgooglecom/document 이해 ai 이러한 기능에 대해 더 자세히 알고 싶다면, 가입하고 주요 파트너 중 한 사람과 연락하십시오 고맙습니다

[음악 재생]

Cloud AI Building Blocks

기계 학습은 무언가입니다 많은 조직들이 흥분하고 있습니다

사업을 향상시킬 잠재력이 너무 크다 혁신적인 방식으로 – 내부적으로, 예지 적 유지 보수와 마찬가지로, 동적 가격 정책과 마찬가지로 외부 적으로도 하지만 사내 전문 기술이없는 경우에는 어떻게해야합니까? 이 새롭고 흥미 진진한 분야를 이용하려면? Google의 Cloud AI Building Block은 AI의 잠재력을 보여줍니다 개발자가 손쉽게 AI를 애플리케이션에 주입하고, 이전의 전문 지식이 있거나없는 경우, 당신이 추가 할 수 있도록 인간과 같은 시력, 언어, 및 대화 AutoML Vision 및 Translation API와 같은 제품으로 구동되므로, 신규 또는 기존 응용 프로그램을 입력하십시오 API를 사용하여 사전 학습 된 모델에 액세스하고, Google의 시험 사용 테스트를 즉시 이용하십시오

우리가 지속적으로 개선하기 위해 노력하고있는 전문성, 그래서 그들은 모두를 위해 일할 수 있습니다 또는 도메인 별 유스 케이스가있는 경우, 클라우드 AutoML 제품을 사용하면 쉽게 만들 수 있습니다 해당 사용 사례를 해결할 수있는 고품질 맞춤 모델입니다 Dialogflow를 사용하여 대화식 환경을 만들 수도 있습니다 장치 및 플랫폼 전반에 걸쳐 이러한 빌딩 블록은 혼자 서있을 수 있습니다

AI를 애플리케이션에 통합하려면, 또는 귀하의 비즈니스 요구를 충족시키기 위해 결합 될 수 있습니다 Google의 Cloud AI Building 블록은 당신을 위해 일할 수 있습니다

Minigo: Building a Go AI with Kubernetes and TensorFlow (Cloud Next ’18)

[음악 재생] 앤드류 잭슨 : 좋아, 안녕하세요 제게 합류 해 주셔서 감사합니다

여러분 모두가 좋은 한 주를 보내길 바랍니다 이것은 Minigo에 관한 이야기 ​​일 것입니다 얻은 20 % 프로젝트의 이야기입니다 통제 불능이다 세상에, 너 밖에 많은 사람들이있어

그래서 모두 와줘서 고마워 그러니 Minigo가 무엇인지에 대한 질문으로 시작하겠습니다 그리고 Minigo go는 오픈 소스 독립적 인 구현입니다 알파 제로 (AlphaGo Zero) 알고리즘 그래서 모두의 손을 빠르게 보여줄 수 있습니까? 누가 알파고에 대해 들어 봤어? 그것은 많은 손입니다

그래서 AlphaGo Zero 알고리즘은 "Nature"에 게시되었습니다 그것은 전문적인 인간을 이길 수있는 최초의 AI입니다 그리고이 이야기는 Minigo를 다루겠습니다 무엇 자체가 이동합니다 기계 학습에 대한 간단한 소개

클라우드 대회입니다 나는 그것을 추측하고 싶지 않다 우리는 일종의 회오리 바람 여행을 할 것입니다 학습 및 Minigo에 적용하는 방법 그러나 우리가 정말로 여기에서 이야기하고있는 것 Google에서이를 어떻게 확장 할 수 있었는지 클라우드 플랫폼

그리고 저는 데모를하고 조금 이야기 할 것입니다 우리가 배운 것들에 대해, 바라 건데,이 유용 할거야 시작하려면 Minigo가 무엇입니까? 어디에서 찾을 수 있습니까? GitHub입니다 거기서 확인하십시오 TensorFlow 아래에 있습니다

githubcom– 또는 거기에, 나는 생각한다 githubcom/tensorflow/minigo 부담없이 간단한 요청을 확인하십시오

다시 말하지만, 공식 Google 프로젝트는 아닙니다 나는 여기서 처음부터 강조 할 필요가있다 Minigo는 AlphaGo가 아닙니다 우리는 DeepMind와 제휴하지 않았습니다 우리는 딥 마인드와 관련이 없습니다

나는 출판 된 저작물만으로이 코드를 작성했습니다 나는 그들의 소스 코드에 접근 할 수 없다 나는 그것을 검증하기 위해 소스 코드를 사용하지 않았다 왜 DeepMind가 AlphaGo를 만들었을 때 나는 이것을 어떻게 했습니까? 왜 미니고를 만들 필요가 있었습니까? 음, 처음에는 Go Player로 갈거야 Google의 소프트웨어 엔지니어가되는 것 외에도, 나는 또한 미국 이동 협회 (American Go Association)에 자원하여 나는 이사회에서 봉사한다

거의 12 년 동안 American Go에서 근무했습니다 나는 계속 해왔다 내 인생의 상당 부분을 위해 가라 그리고 나는 그것을 좋아한다 그리고 AlphaGo는 놀랍습니다 너가 Go 선수이고 외계인 정보원이라면 상상해 보라

만들어졌으며 당신의 언어를 구사합니다 Go는 선수들입니다 우리는 AlphaGo에 대해 정말 흥분했습니다 그러나 AlphaGo는 은퇴했습니다 그래서 나는 내가 총을 맞아야 할지도 모른다고 느꼈다

이것을 창조하려고 노력할 때 그래서 Go 선수로 생각하는 것들이 많이 있습니다 우리는 AlphaGo에서 할 수 있고 배울 수 있습니다 여기에는 풍부한 혈관이 있습니다 내 것이고

그래서 Minigo에 대한 우리의 목표는 결과를 재현하는 것이 었습니다 프로그램의 명확하고 읽기 쉬운 예를 제공합니다 당신이 GitHub에서 그것을 확인한다면, 나는 당신이하기를 희망합니다 파이썬은 약 2,000 줄에 불과합니다 이 알고리즘은 세계를 변화시키는 알고리즘에 매우 좋습니다

이것도 전시하고 시연 할 수 있기를 바랍니다 Google Cloud의 강력한 기능 이것은 기본적으로 부부 였기 때문에 엔지니어가 여가 시간에 20 %의 시간을 보냈습니다 이것을 구현하려고합니다 우리가 할 수있는 유일한 방법은 우리가 찾을 수있는 가장 긴 레버 암을 사용했습니다 그리고 레버리지는 동사입니다

다른 것 그러나 문자 그대로 여기서 나는 그것을 의미한다 아주 작은 소프트웨어 인 힘 배수로서 엔지니어링 팀 Minigo는 어디에서 왔습니까? 그래서 AlphaGo와 DeepMind는 3 개의 논문에서 설명되었습니다 첫 번째 논문에서는 AlphaGo, 그리고 그것은 "깊은 신경과 함께하는 게임을 마스터하는 것"입니다

네트워크 및 트리 검색 " 그것은 "Nature"에 발표되었습니다 그리고 내 친구 브라이언 리 (Brian Lee) MuGo 또는 MicroGo라고 불리는 이 첫 번째 버전의 구현 그는 일종의 골격 구현을했습니다 그것은 네트워크의 절반을 구현했지만 나머지 절반은 구현하지 않았습니다 일종의 개념 증명이었습니다

AlphaGo 이후 두 번째 논문 "AlphaGo Zero"라고 불렀습니다 AlphaGo Zero는 알고리즘을 설명합니다 무작위 소음에서부터 시작된 그 다음에 어떻게 나아가 야하는지 가르쳐주었습니다 알파 조 제로 (AlphaGo Zero)의 종이와 제 친구 Brian의 MuGo 구현, 우리는 Minigo를 얻습니다 Minigo의 로고가 왜 그렇게 궁금한가요? 행복 한 찾고 로봇 사다리 떨어져 떨어지는, 모두 명확해질 것이다

나는 그가 왜 완전하게 보이는지 설명 할 것이다 그가 사다리에서 떨어지는 상황에 쉽게 대처할 수 있습니다 좋아요, 그래서 바둑 게임에 대해 이야기 해 봅시다 얼마나 많은 사람들이 놀았습니까? 아무도 없어요 와우, 그건 많은 사람들이야

얼마나 많은 사람들이 나가기를 좋아합니까? 예, 정확히 제가 듣고 싶은 것입니다 나도 좋아해 나는 오랫동안 이동을 해왔다 나는 그것을 정말로 좋아한다 그래서 우리는 할 것이다

무엇이 가야하는지에 대한 간단한 데모 이것은 처음에 보이는 것입니다 사람들은 차례로 돌을 내려 놓습니다 영토를 둘러싸고있는 보드에 캡처에 대해 이야기 할 때 캡처는 다음과 같습니다

돌들이 완전히 둘러싸여있을 때, 그들은 보드에서 벗겨진다 그것은 또한 돌의 더 큰 사슬에서 작동합니다 따라서 직각으로 연결된 그룹 그들의 운명을 나눕니다 그랬듯이 우승자는 다음과 같이 결정됩니다

당신이 보드를 나눌 때, 누구든지 더 많은 영토가있다 그게 전부 야 마치지도에 선을 그리는 것과 같습니다 니가 조각하고있어 나는 이것을 얻는다

당신은 그것을 얻는다 오른쪽 다이어그램에서 흰색이 둘러싸인 것을 볼 수 있습니다 모든 삼각형 모양의 점과 검정색이 둘러싸여있다 모든 제곱 된 점들 이것은 Go가 정말로 일종의 절대주의 게임이 아니라는 것을 의미합니다

당신은 적의 왕을 잡아야 만합니다 또는 적군을 완전히 파괴하십시오 계약을 협상하는 것보다 더 낫습니다 어디 좀 더 알고 싶습니까? 다른 사람보다 그리고 이것은 전체 게임이 어떻게 생겼는지에 대한 예입니다

그래서 이것은 Minigo의 행동입니다 영토를 스케치하는 걸 볼 수 있습니다 모퉁이에서 시작 그리고이 패턴은 바로 거기에서 일어나는 것을 봅니다 그것은 사다리라고합니다

사다리는 Go가 어려운 이유의 흥미로운 예입니다 그래서 이것은 꽤 솔직한 패턴입니다 당신은 그것이 다시 발전하는 것을 볼 수 있습니다 그것은 정말 명백한 패턴입니다 그것은 유아가 아마도 따라와 예측할 수있는 패턴입니다

Go가 매우 긴 지평을 가지고있는 예입니다 효과, 그 사다리의 결과 게임의 결과를 결정할 수 있습니다 그리고 앞으로 80 ~ 90 회의 움직임을 바라 볼 필요가 있습니다 그리고 왜 그렇게 어려운가? 사다리가 위대한 본보기예요 네가 가진 게임의 어디 까지나 분기 인자만으로도 각각의 경우에 대해 두 가지 움직임을 살펴보면, 이미 80 번에서 2 번까지 찾고 있습니다 실례합니다

가능한 위치 그래서 매우 높은 브랜칭 인자 정말 어렵게 만듭니다 게임은 정말 길다 최종 조건은 설명하기가 정말로 어렵습니다 Go와 함께, 당신은 – 체스와 함께, 왕이 체포되거나 장담 당했을 때, 게임은 끝났다

그리고 모두가이 게임이 끝났음을보고 동의 할 수 있습니다 Go를 사용하면 게임은 두 선수는 아무것도 남지 않았 음에 동의합니다 논쟁 할 가치가있는 이사회에 니가 있으면 이거 꽤 어렵다 게임이 어떻게 끝났는지 컴퓨터에 가르치 려합니다 사실, 그냥 보드 득점, 그냥 알고 보드를 채점 할 때가되었다는 것은 정말 어려운 문제입니다

그리고 마지막으로, 아마도 이것이 가장 중요 할 것입니다 부분적으로, Go에서 정말 힘들다 게임 중간에 누가 이기고 있는지 판별 할 수 있습니다 이것은 하나의 그래서이기는이 문제와 누가 이길 것인가 – 우리가 가진 가장 어려운 문제 중 하나입니다 분기 요인을 다루는 것은 너무 많다는 것입니다

모든 점에서 가능한 움직임, 정말 어려운 것 중 하나 우리가 풀어야 할 문제 그리고 한발 뒤로 물러서서 우리가 어떻게 접근할지 이야기해라 이 기계 학습 그래서 이것은 기계 학습에 관한 5 개의 슬라이드입니다 분명히 이것은 포괄적 인 설명이 아닙니다

나는 또한 언급해야한다 아마도 이것은 아마도 좋은 시간 – 우리 중 누구도 Minigo 팀에 박사 학위를 가지고 있지 않습니다 아마도이 잠재 고객에 사람들이있을 것입니다 누가 나를보다 잘 이해하지만, 나와 함께 견뎌야합니다 나는 이것이 사람들에게 계몽되기를 희망한다

누가 전에 전혀 기계를 배우지 않았을 지 모릅니다 신경 네트워크를위한 진짜 빠른 추론 그래서 기본적인 생각은 우리가 입력을 넣을 것입니다 출력물을 꺼내서 중간에 그 것을 우리가 이야기하는 모델입니다 우리는 너무 많이 걱정하고 싶지 않다

우리가 알아야 할 것을 제외하고는 그것이 무엇인지에 관해서 그것에 대해 몇 가지 첫 번째는 그것이 수학의 무리라는 것입니다 그것은 차별화가 가능하거나 차별화되기에 충분히 가깝습니다 두 번째는 정말 느리다는 것입니다 평가할 때 밀리 초 단위로 느리게 진행됩니다

그리고 그것은 왜 그것이 밀리 세컨드가 걸리는지 중요합니까? 그것은 꽤 빨리 보인다 글쎄요, 아마 수천 개의 당신이 할 수있는 움직임을 결정할 수 있습니다 그래서 추론을위한 신경망을 고려할 것입니다 이 추측 경로를 의미하는 추론, 우리는 우리의 의견에서 시작하여 우리의 결정을 내린다 그것이 바로 추론입니다, 그것은 또한 순회라고합니다

그리고 우리는 그것이 느리고 차별화 될 수 있다는 것을 알아야합니다 좋아, 그럼 어떻게 그 모델을 만들지? 중간에 그거? 음, 우리가하려고하는 것은 우리가 시도하고 양을 정할 것입니다 우리가 알고 있고 입력하는 입력이있는 오류 우리가 얻었어야 했어 그리고 우리는 그것들 사이의 차이점을 살펴볼 것입니다 차별화 할 수있는 모델을 시도하고 변경하십시오

그래서 우리는 우리에게 필요한 방향을 알고있다 그 모델에서 다른 값을 밀어 넣는다 오류를 줄일 수 있습니다 이것이 바로 기본적으로 기계 학습입니다 간단히 말해서 – 확률 적 구배 강하 기계 학습의 형태

하지만 그래, 그것은 선형 대수의 더미, 우리는 그것을 조정하려고 노력할 것입니다 그리고 우리는이 과정을 우리가 시도하는 곳에서 반복 할 수 있습니다 우리가 다 떨어질 때까지 오류를 약간 작게 만듭니다 데이터의 그 기능, 그 모델은 중간에 수 많은 변수의 함수 일 수 있습니다

근본적으로 우리는 손실을 최소화하려고 노력하고 있습니다 백만 변수 함수의 그리고 그것은 꽤 복잡합니다 그러나 운좋게도, 꽤 좋은 추상화가있다 이 모든 일을하기 때문에

그러니 계속 가자 그렇다면 Minigo에 대한 추론은 무엇입니까? 이 문제를 해결하기 위해 그것을 사용할 것입니까? 이 경우 Minigo에 대한 추론은 두 가지 질문을 의미합니다 우리는 어떤 움직임을 가져야 하는가, 누가 우리가 이기게 될 것이라고 생각 하는가? 그래서 당신이 왼쪽에 보인 그 보드가 우리의 의견입니다 우리는 Minigo에게 확률에 대해 물어볼 것입니다 다음 이동이있을 것으로 생각되는 곳의 분포

그리고 우리는 또한 그것을 표현하는 숫자를 물어볼 것입니다 누가 그것이 이길 것이라고 생각하는지 Minigo는 흰색이 이기기 위해 음수 1을 사용합니다 그리고 흑인이이기려면 1이 양수 제로는 전화하기에 너무 가깝다 – 완벽하게 균형 잡힌 – 음수 1에서 1 사이의 모든 위치에 그것이 이기기 위하여려고하고있는 누구를 계량하고 있는가

그래서 두 가지 산출물이 주어지면, 무엇입니까? 우리가 생각하는 움직임은 재생 될 것입니다 우리는 누가이기겠다고 생각합니까? 몬테 카를로 나무 수색이라고 칭한 무언가를하십시오 내가 언급 한 나의 친구 Brian Lee는 MuGo를 썼다 Pycon 2018에서 "Monte into A Deep Dive"라는 훌륭한 연설을했습니다 카를로 트리 검색 "코드

또한 우리 코드는 GitHub, Monte Carlo tree에 있습니다 검색은 정말 훌륭하고 읽기 쉽고, 추천 그래서 몬테카를로 트리 검색으로의 깊은 잠수가 좋습니다 따라서 몬테카를로 트리 검색을 통해이 셀프 플레이를함으로써, 우리는 오류를 정량화 할 수 있습니다 그래서 우리는 Minigo에게 어떤 움직임과 앞으로 나아갈 것인지에 대해 물었습니다

이제 우리는 오류를 합계로 정의 할 수 있습니다 원래 견적과의 차이점 실제로 움직일 움직임과 실제로 있었던 움직임 트리 검색으로 탐험 그래서 우리는 누가 가는지에 대한 견적을 사용합니다 우리가 그 움직임을 계속 탐구할지 여부를 결정하기 위해 승리하는 것 우리는이 움직임을 살펴볼 것입니다

그 다음으로 가장 가능성있는 것을보십시오 더 좋든 나쁘 든간에, 아마도 우리는 부모 이동을 탐색하지 않습니다 이해가 되니? 어쩌면? 인정할 수 있을까요? 이것이 일어날 수 있고, 우리는 할 수있다 나중에 세부 사항을 파헤 치십시오 좋아, 몬테카를로 나무 검색이야

누가 앞서고 있는지 움직이고 앞으로 나아갈 두 가지 요소 – 정책이라고 부르며 가치 신경망의 출력 따라서 정책에는 이사회의 주 (州) 다음 플레이는 어디에서 이루어질 것이라고 생각합니까? 그리고 가치는이 보드를 어떻게 평가할 것인가입니다 좋아, 그럼 빨리 정리하자 그것은 다섯 번째 슬라이드였습니다

이 슬라이드는 요약 슬라이드입니다 슬라이드 6 개를 얻는 방법입니다 이것은 우리의 보강 학습 요약입니다 강화 학습의 번개 버전 – 우리의 데이터를 사용하여 모델을 만들고, 우리 모델을 사용하여 더 많은 데이터를 만들고, 이제 우리는 데이터가 부족하지 않습니다 우리는 우리가 원하는만큼 이것을 계속 할 수 있습니다

그래서 모델은 무엇입니까? 모델은 우리가 중간에 가지고 있던 수학 더미입니다 우리는 그것을 비교함으로써 손실을 측정 할 수 있기를 원합니다 우리가 알고있는 해답이나 해답을 가지고 우리가 알고 있다고 생각하는 것 우리는 그 오류를 최소화함으로써 모델을 훈련시킨다 Minigo는 정책과 가치를 사용합니다

트리 검색을 수행하여 원본 견적을 수정하십시오 말이 돼? 어쩌면 누군가, 그렇지? 좋아, 우린 계속 진행할거야

강화 학습 루프 – 아주 간단합니다 우리가 설정할 수있는 좋은 덕목입니다 셀프 플레이가 더 나은 데이터를 만드는 곳, 더 나은 모델을 만들기 위해 훈련에이 방법을 사용합니다 그리고 그들은 서로를 강화합니다 문제는 – 나는 그 오류 중 하나를 상당히 크게 만들었고, 그건 사고가 아니에요

그 아이디어는 트리 검색을하는 것입니다 이러한 추론이나 전달 전달의 많은 수행 우리는 우리만큼 많은 정보를 원합니다 정책을 개선 할 수 있어야합니다 그리고 그것은 아마도 수백 또는 수천 개를하는 것을 의미합니다

각 이동 당 추론의 이제, 우리가 각각의 움직임에 대해 훈련 할 수 있다면, 그것은 우리가 수백 또는 수천 개의 추론을하고 있다는 것을 의미합니다 우리가 만드는 훈련 데이터 포인트 당 그래서 최소한이 비율을 가질 것입니다 우리는 추론을 할 때 수백에서 한 가지를해야합니다

대 훈련 단계 만들기 그런 종류의 문제가 여기에 설정되어 있습니까? 그래서 충분히 훈련시키기 위해서, 나는 수백만 게임에이를 수행해야하며, 그리고 나는 게임이 몇 분 정도 걸린다는 것을 안다 심지어 GPU 나 TPUs를 사용하고 있습니다 그래서 제 질문은 어떻게 확장합니까? 이제, 행복하게 이것은 문제입니다 당황스럽게 평행 한 누군가의 말을 빌리 자

Minigo의 사본 두 장이 서로 연주하면됩니다 다른 사본을 포함하지 않는다 미니 고 (Minigo)는 내가 이들 중 많은 것들을 회전시킬 수 있다는 것을 의미합니다 내가 할 수있는 한, 나는이 모든 것을 제거 할 좋은 방법이 있다고 가정한다 이 모든 것을 확장 할 수 있습니다

그리고 그것은 우리에게 이야기의 일부를 가져옵니다 우리 모두 여기에 온 것 같아 Google Cloud에서 이것을 사용하고 있습니다 그래서 우리는 이것을하기 위해 Kubernetes를 사용했습니다 그러나 가능한 한 최소 단위의 작업을 시작했습니다

우리가 할 수있는 그래서 우리의 훈련은 매우 간단했습니다 우리는 작업자가 클라우드 저장소를 사용하도록했습니다 우리가해야 할 일을 조정할 수있는 방법으로 이것은 정말로 잘 돌아갔다 클라우드 스토리지는 매우 유연하며, 모든 종류의 재미있는 방식으로 학대 할 수 있습니다

우리는 Cloud Storage를 사용하여 추적기 탄환의 종류, 우리가 결정하는 동안 중앙 집중식 서버를 작성해야합니까? 아니면 서버에 대해 이야기 할 필요가 있습니까? 기본적으로 클라우드 스토리지는 핵심 요소로 확장되었습니다 우리는 정말로 신경 쓰지 않았습니다 그래서 그것은 훌륭하게 일어 섰고 우리는 아마 한계를 넘어서서 그것을 사용할 수 있었다 우리는 확실히 우리가 할 수 있다고 생각했습니다 우리가 한 일은 이것을 용기로 바꾸는 것입니다

그래서 Docker를 사용하여 컨테이너를 만들었습니다 그 자기 부담 임금 노동자를 위해, 우리는 이것을 확장하기 위해 Kubernetes를 사용했습니다 수천 개의 노드로 이동합니다 우리가 그렇게 했으니 시작할 수 있었고, 우리는 최신 모델을 가져올 수 있습니다 우리는 우리의 데이터를 쓸 수 있습니다

우리는 다시 문을 닫고 다시 시작할 수 있습니다 그리고 매번 우리는 최신 버전을 가져 왔습니다 우리는 항상 모델을 조정하고 확신 할 수 있습니다 우리는 최신의 최고의 모델로 새로운 데이터를 생성하고 있습니다 우리가 가지고있는

그래서 원래 우리가했던 것은 원래 우리가 작은 보드 크기로 작성했습니다 그래서 내가 처음에 보여 줬던 원래 도표들 Go가 19 대 19의 보드에서 플레이하고 있었다 그것은 Go의 풀 사이즈 게임입니다 Go는 9 x 9 보드에서도 사용됩니다 그리고이 9 by 9 보드는 훨씬 더 간단합니다

그 모델은 약 250 배 빠릅니다 그래서 우리는 검증을 정렬 할 수있었습니다 더 작은 Go 보드에서 그 더 작은 모델을 사용하여 정확성 그리고 나는 매우 느슨한 정확성을 사용하고 있습니다 그 결과, 기계 학습 귀하의 데이터에서 패턴을 찾는 것이 매우 좋습니다

거기에 넣으려고하지 않은 데이터의 패턴 그것은 당신이 저지른 실수를 은폐하는 데 아주 좋습니다 그래서 우리는 우리의 더 작은 크기의 보드에서 정말 끔찍한 버그가 있었다 우리가 나중에 발견 할 수는 있지만 그 이상은 발견되지 않을 것입니다 우리가 한 다음 일은 – 우리가 이것을 한 후에 작은 보드에 대한 우리의 정확성, 우리는 거룩한 암소, 풀 사이즈 모델을 깨달았습니다

250 배 느려질 것입니다 가속기를 추가해야합니다 그래서 우리는 최소한의 소동으로 GPU를 연결할 수있었습니다 우리는 약 2,100 GPU의 클러스터를 돌리고있었습니다 모든 문제가 전혀없는 단위

Kubernetes에서 GPU를 사용하는 것은 환상적입니다 그것은 우리가 운전자에 대해 걱정할 필요가 없다는 것을 의미합니다 우리는 코드를 변경할 필요가 없었습니다 우리 워크 스테이션에서 실행 된 것은 완벽하게 돌아갑니다 Kubernetes 엔진에

그리고 이것은 꽤 큰 성공이었습니다 그러나 그것은 아직도 조금 느렸다 우리는 벤치 마크 성능 수치를 보았습니다 우리가 치려고했던 것 그래서 AlphaGo 논문의 숫자 그들은 0

4에서 1,600 개의 추론을 수행 할 수 있었다고 설명했다 초 우리는 그보다 약 40 배 더 느리다 파이썬 (Python) 솔루션의 경우에는 괜찮습니다 TPU가 아닌 가속기의 경우 그러나 40 배 느린 것은 40 배 느린 것을 의미합니다

그들은 3 일 만에 500 만 게임을 훈련하고 훈련 할 수있었습니다 그리고 우리가 그것보다 40 배 더 느리다면, 3 개월이 걸리는 걸보고 있습니다 그래서 약간의 도전입니다 이 작업을 더 빠르게 수행 할 방법을 찾아야했습니다 그래서 우리가하기 전에 조금 단계를 밟아 봅시다

GPU에서이 문제를 설정하는 중입니다 나는 이것이 달 달이 걸릴 것이라는 점을 깨닫고있다 나는 진짜로 확인하는 방법을 찾고 싶었다 모든 일이 잘되고있다 그래서 컨테이너로, 그것은 정말로 쉬웠다

내가 일하고있는 일에 변화를주기 위해 실제로 다른 종류의 평가 일치를 실행하려고합니다 Kubernetes 엔진을 사용하는 것은 정말 쉬웠습니다 API는 변형 된 작업을 회전시키고, 그래서 다른 버전의 모델을 테스트 할 수 있습니다 내가 진전하고 있는지 확인해 이것은 정말로 중요한 것이 었습니다

나는 나중에 다시 돌아올거야 그리고 내가 말할 때, 성능 측정, 나는 내 일에 대한 성과를 측정하고있다 그게 내 모델이 실제로 Go를하는 것이 더 좋아 지는지? 그게 진짜 질문입니다 그래서 일찍, 나는 이것이 3 개월이 걸릴 것을 알았다 클라우드 TPU가 개발되는 시점에서 나는 말했습니다

이봐,이게 정말 잘 될지도 몰라 클라우드 TPU에서 실행 해보십시오 클라우드 TPU 팀은 매우 열정적이었습니다 그리고 그들은 말했다, 그래, 물론, 바로 가라 그러나 그들은 훨씬 더 빨라서 내가 원래 가지고 있었던 것을 재평가하는 것이었다

내 파이프 라인 작성 참고로 2,000 개의 GPU를 사용하고있었습니다 몇 세대가 지나서 고의로 어떤 종류의 직접적인 수치 비교도하지 않아야합니다 그러나 파이썬에서 이전에 괜찮 았던 것이 무엇인지 말해 주기만하면됩니다 클라우드 TPU를 사용하여 더 이상 문제가 없습니다

그 코드가 충분히 빨라질 것입니다 이 TPUs를 효과적으로 사용할 수있게 될 것이라면, 나는이 파이프 라인이 어떻게 이루어 졌는지 진지하게 다시 생각할 필요가있다 도망 갈거야 3 달 동안 뭔가를 할 계획이라면, 그리고 지금 당신은 아마 1, 2 주 정도를보고 있습니다 너는 아주 다른 제약이있다

입력 데이터를 사전 처리하는 데 걸리는 시간, 느슨하게 밀어내는 데 얼마나 걸릴 수 있습니다 새로운 모델의 결과 그것은 모든 종류의 일입니다 그래서 우리는 TPUs를 다시 작성해야했습니다 이 코드는 몬테카를로 트리 검색입니다

몬테카를로 트리 검색을위한 짧은 의사 코드입니다 그리고 그 라인에주의를 기울이고 싶습니다 NeuralNetevaluate (leafgame)는 말합니다

국가), 그것은 그것이 갑자기이 모든 것이기 때문에 병행해야했다 그리고 그것은 할 수있는 것보다 훨씬 더 빨리 병렬로 갈 필요가있었습니다 그래서 이것은 부분이었습니다 이 작업을 신속하게 처리 할 수있는 엔진은 우리는 다시 쓸 필요가있었습니다 이것이 단일 스레드 버전에서의 모습입니다

이것은 파이썬 코드가 실제로 무엇에 가깝습니까? 오늘 Minigo에서와 같이 보입니다 TPU에 대한 내용을 다시 작성하여이를 해결했습니다 멀티 스레드 버전으로 내 친구가 자원해서 C ++을 다시 작성했고, 그는 아마 내가 자기 이야기를 말하는 것처럼 가지 않을거야 그러나 그는 완전한 멀티 쓰레드를 작성할 수있었습니다

이행– 문제 없음, 버그 없음, 완전히 다시 쓰는 것, 멀티 스레드 코드, 버그 없음, 경쟁 조건 없음, 그런 문제는 없습니다 그러나 그는 실제로 루프를 증가시키는 것을 잊었다 디버깅하는 데 며칠이 걸리는 잔인한 버그가 남았습니다 그는, 오, 나는 그렇게 나빴어 나는 마치, 당신은 방금 완전한 재 작성을했다

처음에는 버그가 없었던 다중 스레드 코드가있었습니다 그리고 당신은 그 일에 열심히 노력할 것입니다 어쨌든이게 그 모습입니다 우리는 C ++ 포트에서 컨테이너를 만들었습니다 파이썬 엔진을 시작하면, 우리는 다음과 같은 RPC 호출을 할 것입니다

우리 대기열에 모든 노드를 실행하기에 충분한 노드가있었습니다 모델 그리고 이것은 훌륭했습니다 그것은 또한 우리의 C ++ 코드가 더 이상 의존하지 않음을 의미합니다 TensorFlow에 설치 했으므로 건물에 문제가 없었습니다

TensorFlow는 빌드를 훨씬 빠르게 만들었습니다 그것은 꽤 시원하다 그리고 일단 우리가이 엔진을 가지고 있었으면 이제 우리는 배포 사용으로 바뀔 수있다 Kubernetes 엔진에 이전에는 GPU를 사용할 때 배치 API를 사용했습니다

손의 신속한 표시, 사용한 사람 Kubernetes이 방에 들어가기 전에? 멋지다 멋지다 배치 API는 실제로 잘 작동했습니다 2,000 노드로 우리는 몇 가지 흥미로운 제한을 가졌습니다 완료 추적

그리고 우리가 한 일은 귀찮게하지 않았습니다 우리는 일자리를 우리가 무언가를 세운 곳으로 썼다 100,000 개의 완료와 같습니다 그리고 실제로 그렇게 할 것입니다 그것은 약 1,000 년 후에 완공을 버릴 것이다

그것은 그것이 끊임없이 계속 실행된다는 것을 의미했습니다 우리가 원하는 것이 었습니다 완료 – 배치 API로 작성 정말 잘 돌아갔다 다시 해 보다 그것은 우리를위한 재시도 논리를 처리 할 것입니다

그것 모두는 정말로 잘 돌아갔다 그러나 이제 Cloud TPUs를 사용하여 용기가 떨어지는 대가를 치르고 싶다 다시 올라와 그래서 우리는 그것들을 배치로서 장기 실행 작업으로 작성했습니다 그리고이 모든 것이 정말 잘되었습니다

우리는 더 이상 완료를 추적 할 필요가 없었습니다 우리는 이들을 장기간 일자리로 쓰고 있었기 때문에 그래서이 모든 것이 단지 기본적으로 기본적으로 이루어졌습니다 Minigo의 장점 중 하나는 우리는 이것을 시험 할 수 있었다 그래서 Minigo는 전적으로 공개됩니다

GitHub에서 모두 사용할 수 있습니다 이 전체 프로젝트를 통해, 나는 똑같은 길을 따라 가고 있었다 외부 고객이 따를 것입니다 비록 내가 Google 직원이지만, 나는 기본적으로, 똑같은 과정을 겪고 있었다 이 방에있는 누군가는 그들이 그것을 통과하려한다면

그리고 그것은 꽤 좋은 경험이었습니다 솔직히, 나는 더 적은 길을 쳤다 또한이 제품들이 많았지 만 사전 알파 또는 알파 준비 중이었습니다 그리고 그 경험은 솔직히 놀랍습니다 Kubernetes Engine의 클라우드 TPU는 기본적으로 상자 밖으로 일했습니다

내가 말했듯이, GPU 용 Ditto는 드라이버 문제 걱정할 필요조차 없었습니다 그래서 당신이 ML을하거나 가속을 할 생각이라면 Kubernetes Engine에서 컴퓨팅, 나는 기본적으로 그것에 대해 좋은 말을해라 그래서 꽤 좋습니다 Minigo에 대한 간단한 데모를하겠습니다 이 게임을 만드는 방법이 있다고 생각합니다

그러나 나는 그것이 무엇인지 모른다 우리는 거기에 갈 그렇게 보입니다 그래서이 미니고 -이 특별한 게임에 대해 생각해 봅시다 그 작은 크기의 보드입니다

나는 이것이 실제로 CPU에서만 실행되고 있다고 생각한다 노트북에 Chromebook 일 수도 있습니다 그래서 이것은 그 작은 것에서 완전히 무섭지 않고 달리고 있습니다 내가 너에게 말한 Go 사이즈

그리고 그것은 반복되지 않습니다 이것은 불행합니다 하지만 그 변화가 오른쪽 상단에서 고려할 때, 무엇을 그것은 가장 가능성이 큰 움직임이라고 생각한다 왼쪽에서 일어난다 그리고 이것은 꽤 훌륭한 도구입니다

만약 당신이 Go Player라면, 정말로 파고 들어가서 그것에 대해 생각하고있는 것을 보아라 왜 좋아하는지, 좋아하지 않는지 – 꽤 좋아 좋아, 그럼 우리 결과에 대해서 이야기 해 좋아, 그럼 결과는 알았어 그래서 결론을 얘기해

그리고 배운 교훈, 나는 조금 이야기하고 싶다 여기에 우리가 가진 경향에 대해, 이것은 GPU에서 TPU로 이동하고 있습니다이 경우, 이것들은 최신 TPU에 대한 오래된 GPU였습니다 눈을 뜨게되었습니다 우리가 더 많은 일을 할 수있는 능력 기본적으로 같은 양의 전력으로 사용자가 우리의 인센티브를 맞출 수 있음을 의미합니다

클라우드 제공 업체는 최신의 가장 빠른 하드웨어를 사용할 수 있습니다 기본적으로, 우리가 사람들이 이전 버전의 하드웨어를 사용하게하고, 최신 버전의 하드웨어 동일한 와트 수로 더 많은 작업을 수행 할 것입니다 우리가 정말로 당신이 가장 새로운 것을 사용하기를 바랍니다 양철통 이걸로 유지되는 한 우리가이 압력을 가할 것입니다

우리의 코드는 가능한 한 빨리 간다 그리고 이것은 환상적이다 특히, 연구를 할 때, 이러한 솔루션에서 전화를 거는 경우, 너는 실험 할 수 있어야 해 당신이 할 수있는 한 빨리 있을 수도있는 일을 시도 할 수 있어야합니다

다른 방법을 시도하기에는 너무 비싸다 이렇게 성능면에서 가장 좋은 가격을 사용하게하는 성과 당 가격 가장 빠른 것을 사용하고 느린 것을 사용하지 말고, 모델에서 실제로 전화를 걸 수 있음을 의미합니다 우리가 만들고자하는 것, 우리가 정말로 할 수있는 것 우리가가는 방법을 더 빨리 반복 모델을 개발하는 방법에 대한 다양한 아이디어를 테스트 할 수 있습니다 그러나 그것이 의미하는 것은 그 수단입니다 당신은 당신의 파이프 라인이 더 빨라질 수 있도록 계획해야합니다

다시 말하지만, 원래는 몇 달 정도 걸릴거야 그리고 지금, 우리는 그것은 1, 2 주 만에 끝났습니다 그리고 그것은 우리의 핵심 가정들을 얼마나 오래 변화 시켰는지 우리는 다른 단계를 많이해야 할 것입니다 그 파이프 라인에있는 것 같아 계속할 것입니다

그래서 확실히 당신은 그에 따라 계획하고 싶습니다 저것은 구름 가장자리 TPU,이다 작은 UBS 실리콘 껌 우리가 Minigo를 만들려고 붙잡아 라 나는 정말로 그 것이다 흥분 이 개념과 관련하여 파이프 라인이 진행 중입니다

빨리, 우리는 정말로 시도하고 만들고 싶다 우리의 모델은 가축과 비슷하고 애완 동물과 비슷합니다 가축을 가진 너희들은 애완용 유머가 없다 어떤 사람들은 아이디어를 얻고 있습니다 아이디어 컨테이너를 사용하면 정확한 빌드를 재현 할 수 있습니다

실행중인 소프트웨어의 내 서버는 상호 교환 가능하다고 말할 수 있습니다 나는 그들 중 많은 것을 얻을 수있다 나는 그 이름을 말할 필요가 없다 그것은 특별하지 않다 죽거나 내려 가거나 부서지면 크게 문제가되지 않습니다

나는 그것을 재건해야한다 같은 방식으로 우리는 우리의 신경망 모델을 원합니다 그와 같기도합니다 3 개월이 지나면 소유욕이 생깁니다 마찬가지로, 당신은 정말로 어떤 일이 일어나는 것을보고 싶지 않습니다

그러나 하루나 이틀 만에 새로운 것을 만들 수 있다면, 이제 자유롭게 실험하고 시도 할 수있는 자유가 있습니다 소지품 그리고 그 변화를 지킬 수 있다는 것을 의미합니다 훨씬 더 잘 격리되었습니다 몇 달이 걸렸던 GPU에 대한 초기 작업을 통해, 끊임없이 모니터하는 것이 유혹적이었습니다

대시 보드, 시도하고 몇 가지 손잡이를 조정, 여기저기서 다이얼을 돌리고 시도해보십시오 걱정하고 걱정할 필요가 없습니다 그러나 그것은 또한 그 과정의 끝에서, 그 사물의 순서를 어떻게 정확하게 재현 할 수 있을까요? 그게 일어난거야? 정말 힘들다 훨씬 더 반복적이라는 것을 의미합니다 그리고 그것은 꽤 위대합니다

꽤 흥미로운 또 다른 일 여기에 이러한 강화 학습 시스템이 실제로 분산 시스템과 유사합니다 그래서 많은 사람들이 클라우드에서 일한다고 상상해 봅니다 그들은 그 아이디어에 익숙합니다 당신의 개인적으로 잘 행동하는 시스템이 멈춘다는 것을 탠덤에서 잘 행동한다 그리고 그것은 여러 가지 이유로 꽤 흥미 롭습니다

나는 두 가지 방법이 있다고 생각한다 우리가 왜 우리 시스템이 잘못된 일을하는 것 그들 중 하나는 코드에서부터 코드를 볼 수 있습니다 일어날 일을 정확하게 이해하십시오 그리고 다른 방법은 행동에서 오는 것입니다

우리가 볼 수있는 일, 일어나는 일에 대해 생각해야만하는 곳 가설을 생성한다 로드 밸런서가이 작업을 수행하는 경우, 그러면 우리는 이것을 기대할 수 있으며, 나는이 방법으로 그것을 테스트 할 수 있습니다 어쩌면 당신은 단지 그것을 보면서 그것을 해결할 수 없습니다 로드 밸런서 코드와 서버에서 당신은 가설을 생성하고 그것을 테스트해야합니다 그리고 그것들은 두 가지 매우 별개의 단계입니다

나는 그것이 유도 적이거나 연역적이라고 생각합니다 그리고 매우 유사한 방식으로, 신경 네트워크 신경망을 개발하는 것은 똑같은 문제를 가지고있다 우리는 코드 행을 직접 가리킬 수 없다 왜 모델이 결정을 내리는가? 하지만 대신에 다음과 같은 코드를 만들었습니다 그 모델을 만들었습니다

하향식 디버깅 유형 특정 코드를 볼 수 있어야합니다 그리고 무슨 일이 일어나는지 알아 내려고 노력하십시오 그러나 이런 방식으로 보강재 학습 시스템은 실제로 많이 닮았다 분산 시스템의 그리고 디버깅은 프로세스라는 생각 가설 생성, 어떻게 가설을 검증하고 검증하는지 알았어

나는 이것을 했어 나는 이것을 기대했다 이 다른 일이 일어났습니다 – 내 직감에 대한 의미는 무엇입니까? 이 시스템이 어떻게 작동하는지? 알았어 그러니 조금 감싼다 이것의 두 가지 주요 부분이 있습니다

기계 학습 부분 및 소프트웨어 엔지니어링 부분을 포함합니다 그리고 나는이 부분에 초점을 맞추기 위해 노력하고 있습니다 어떻게 90 페타 플롭스에 도달 했습니까? 건강을 어떻게 모니터 했습니까? 어떻게 우리가 필요한 성과를 얻었습니까? 우리가 어떻게 작동하게할까요? 기본적으로 어떤 것도 건드리지 않았습니다 기계 학습 파트의 왜 네트워크는 이런 식으로합니까? 이 상수는 왜 이렇게입니까? 왜 네트워크는 이렇게 구성되어 있습니까? 그 "왜"질문, 그 사람은 꽤 힘들고, 그러나 우리가 정말로 그 소리에 대답 할 수는 없습니다 헛소리를 못하게하십시오

따라서 신경 네트워크가 있다면 기계 학습 알아 내려는 문제, 이 질문에 대한 대답, 분명히 특정 도메인이 될 것입니다 그러나 당신이 말할 때, 좋습니다, 그럼, 어떻게 배치하고 테스트 할 것인가? 이러한 응용 프로그램, 어떻게 내 가설을 테스트 할거야, 거기에 대한 답변은 구름 플랫폼되었습니다 환상적으로 작동합니다 그럼 실제로 작동 한 것들에 대해 조금 이야기 해 봅시다 잘 그래서 저는 작은 Stackdriver 대시 보드를 포함 시켰습니다

우리가 사용한 Stackdriver는 훌륭했습니다 표준 출력에 물건을 던질 수 있습니다 아무 문제없이 그들을 통해 정규식 나는 클라우드 스토리지가 레벨 이상으로 확장하는 방법을 언급했다 우리가 말한거야

그래서 우리 초기 클러스터는 아마 5 만개의 게임을 내놓았습니다 풀 사이즈 모델의 하루 TPUs를 통해 우리는 하루에 백만 개의 게임을 제공합니다 여전히 그들을 다운로드하고 다 처리해야합니다 클라우드 스토리지는 이제 막 챔피언이되었습니다

어떤 시점에서 우리는 통합을 생각하고 있습니다 Cloud Bigtable과 함께하지만 아직 미정입니다 그리고 그동안 Cloud Storage는 방금 – 우리는 단지 그것을 남용합니다 정말 훌륭합니다 내가 언급 한 Kubernetes Engine과 Cloud TPUs는, 기본적으로 상자 밖에서 작동합니다

사용에 관심이 있다면, 그것은 꽤 좋은 경험입니다 – 확실히 가입하십시오, 당신이해야 할 일 TensorBoard 19 – TensorBoard의 최신 버전 TensorBoard 대시 보드를 올바르게 제공 할 수있게 해줍니다 클라우드 스토리지에서 벗어났습니다 클라우드 TPU를 사용하려는 경우, 프로파일 링 도구는 사용하기 쉽습니다

그들은 파고 들어가는 데 유용합니다 TPU에서 최상의 성능을 얻을 수있는 방법 따라서 클라우드 스택을 사용하는 모든 부분 정말 잘 갔다 그 소리들에 관해서는, 나는 Alex Ipran에서이 인용문을 사랑한다 강화 학습은 정말로 어렵습니다

그는이 견적을 가지고 있습니다 무작위로 밝혀지면 내가 그랬는지 모르겠다 아니면 내가 방금 불행했는지 우리는 최첨단 기술에서 이러한 알고리즘을 가지고 있습니다 지금 올바르게 작동하는 기계 학습 다른 임의의 시드를 가진 버전은 솔루션에 집중하면 놀라 울 정도입니다

여기 성공적인 결과가 있습니다 그 시간의 30 % 만 작동합니다 분명히, AlphaGo Zero는 훨씬 더 견고 해 보입니다 그러나 도전의 종류를 지적한다 이 가설들을 시험 할 때, 그리고 반복 및 분리 및 정렬 가능 가설을 세우고 그들이 작동하는지 확인하십시오

이것은 정말 놀라운 견적입니다 생각하고 싶어 개인적으로 나에게 출판 된 논문의 발자취에 DeepMind가 가능한 이유를 알고 있습니다 그들의 논문을 출판했다 나를 위해 훨씬 더 어려울 것이다

좋아, 내가 상상해 보려고 그냥 상상해 보라 그들의 신발에 있었는데, 그 모델에서 예쁜 모델이 나왔습니다 좋지만 큰 것은 아닙니다 그리고 나는 나 자신에게 말한다 음

이 접근법으로 할 수있는 최선인가요? 미지의 세계를 탐험하는 것과 매우 큰 차이가 있습니다 알려진 것을 재현해라 내 경우 엔 천장에 충돌하면 그 천장과 그들이 묘사 한 천장을 비교할 수있다 말하자면, 알았어요, 분명히 버그가 있습니다 반면, 처음으로 새로운 연구를하는 누군가를 위해, 천장이라고 말하면 훨씬 더 힘들어 질거야

또는 버그가 있습니까? 부지런하고 통제 할 수 있어야합니다 당신이 격리 할 수 ​​있는지 확인하십시오 시스템의 각 부분을 확인하고 각 구성 요소가 너가 생각하는 것을하고있다 그런 종류의 의미가 있습니까? 훌륭 하네 그리고 마지막으로, 나는 인용하고 싶다

왜 내가 Go Player로 흥분하는지 이 모든 것들이 마침내 모양을 갖추게되었습니다 나는 AlphaGo 논문 다음에 Minigo를 시작했다 나는 작년의 11 월이라고 생각한다 그 이후로 페이스 북은 오픈 소스를 발표했다 번역

그들은 Tencent 모델을 방금 출시했습니다 그리고 다른 중국 기업들은 다양한 학위를 가지고 출시 한 모델 작업 개방성 그리고 이것들을 갖는 것이 매우 흥미 롭습니다 Leela Zero라는 오픈 소스 프로젝트도 있습니다 완료되었습니다

어디에서 crowdsource하려고 했습니까? 모든 GPU 컴퓨팅이 필요합니다 그리고 그것은 정말 훌륭했습니다 이 모든 사람들은 모두 재현하려고합니다 다양한 양의 성공과 함께 종이 그리고 Go Player로서 정말 멋지 네요

본질적으로 신탁에 접근 할 수 있어야합니다 Go의 게임을하는 것을 생각하는 선수들 대화를 나누면서 누군가와 대화를 나눈다 우리는 Go라는 게임을하는 위대한 속담을 가지고 있습니다 누군가와 함께 사는 것은 1 년 동안 그들과 함께 사는 것과 같습니다 그 경우에, 우리는이 새로운 것을 가지고 있습니다

그것은 우리에게 새로운 창조적 인 아이디어를 말하는 것입니다 우리가 이전에 정말로 이해하지 못했던 따라서 더 많은 것을 배우고 싶다면 Go 게임에 대해 확실히 온라인에서 확인하십시오 더 많은 리소스가 있습니다 그리고, 잘하면, 지금 배우기가 훨씬 쉬워 질 것입니다 우리는 그것을 이해할 수있는 방법이 있습니다

우리는 우리가하는 우리의 움직임에 대한 이야기를 끊으려고 노력합니다 우리가 할 일을 좀 더 쉽게 할 수 있습니다 우리가 파고 들어야 할 더 좋은 도구를 가지고 있다는 것을 이해하십시오 정말 고마워요 그들의 시간을 기부하는 데 도움을 준 여러분 께 감사드립니다

Minigo에서 일하기 그건 Tom, Seth, Brian, Josh입니다 그들 모두는 Minigo를 가능하게 만드는 도구가되었습니다 [음악 재생]

Introduction to Building Actions for Google’s AI Assistant

이 자습서에서는 Google Assistant를위한 자체 Action을 만들 계획입니다 Google의 강력한 분석 및 자연어 처리 기능 활용 기능

Google Assistant는 모든 사람의 가상 개인 비서로 대화를 통해 사용자가 일을 처리 할 수 ​​있도록 지원합니다 현재 5 억 개 이상의 기기에서 사용 가능하며 빠르게 성장할 것입니다 더 많은 휴대 전화에 출시 된 수십억 개, 자동차 및 스마트 스피커를 가정에서 사용할 수 있습니다 특정 권한을 사용하도록 설정해야합니다 In https://myaccount

googlecom/activitycontrols 웹 및 앱 활동을 활성화하고, 장치 정보 및 음성 및 오디오 활동을 모니터링합니다 이 비디오에 대한 설명에서이 페이지 및 다른 페이지에 대한 링크를 찾을 수 있습니다 우리가 작업 할 콘솔은 두 개뿐입니다 Google 및 DialogueFlow

코딩없이 몇 가지 사항을 설정하고 몇 가지 간단한 JavaScript로 자습서를 마무리합니다 따라 와서 만들 준비가 되셨습니까? Google 콘솔에서 작업 콘솔에서 프로젝트 추가 / 가져 오기를 클릭합니다 우리 프로젝트에 이름을 지어 보자 "액션 소개"및 CREATE PROJECT를 클릭하십시오 시간이 좀 걸릴 수 있습니다

이제 작업에 대한 카테고리 목록이 표시되면 오른쪽 상단의 건너 뛰기를 클릭하십시오 왼쪽의 BUILD에서 Actions를 클릭하십시오 첫 번째 작업 추가를 클릭하십시오 이제 우리는 몇 가지 흥미로운 의도를 보았습니다 퀴즈, 성격 퀴즈, 플래시 카드와 같은 템플릿을 만들 수 있습니다

이 실습을 위해 맞춤 인 텐트를 사용하고 BUILD를 클릭합니다 이제 DialogFlow에서 DialogFlow 에이전트를 생성 할 것입니다 DialogFlow를 처음 실행할 때, Google 계정에 액세스하고 드라이브를 사용하고 서비스 약관에 동의 할 권한을 부여해야합니다 우리는 에이전트의 이름을 Action-Intro, 우리의 주요 언어로 영어를 선택하고 내 시간대를 선택하십시오 액션은 우리 프로젝트에 연결됩니다

만들기를 클릭하십시오 잠시 후 Intents 페이지가 표시됩니다 Welcome Intent로 시작합시다 여기서 주목해야 할 몇 가지 사항이 있습니다 우리는 다음의 의도를위한 훈련 문구를 쓸 것이지만, 환영의 임무를 위해이 부분은 비워 둘 수 있습니다

Welcome Responses를 보도록하겠습니다 안녕 여보세요 좋은 날 기본값을 삭제합니다

응답 및 대신에 새로운 응답을 입력하십시오 "환영! 어떤 나라가 너야 살다?" 이제 SAVE를 클릭하십시오 액션을 테스트하기 위해 통합을 클릭합니다 지금은 무시 페이스 북의 메신저, 슬랙 및 기타 통합

Google Assistant에서 통합 설정을 클릭하십시오 앱이 호출되면, 우리의 환영 의향이 먼저 촉발 될 것입니다 자동 미리보기 변경 기능을 사용하도록 설정합니다 우리의 변경 사항은 시뮬레이터에서 자동으로 업데이트됩니다 테스트를 클릭하십시오

Google의 액션 페이지로 돌아갑니다 다른 표면을 볼 수 있습니다 스마트 스피커는 디스플레이가 없지만 휴대폰은 유용 할 수 있습니다 행동 테스트 아래에서 또는이 Google 계정으로 로그인 한 모든 기기에서 '내 테스트 앱과 이야기하기'라고 말하거나 입력하십시오 (Assistant) "알았어

내 테스트 앱의 테스트 버전 가져 오기" (행동 소개) "환영합니다 어떤 나라에 살고 있습니까?" 그리고 환영 의향이 시작된 것을 볼 수 있습니다 지금 당장 내가 질문에 대답하면 우리 행동은 무엇을해야할지 모른다 그러면 우리는 오류를 범할 것이다

"인도" (행동 소개) "나는 그것을 얻지 못했다 다시 말할 수 있니?" "나는 중국에 산다" (행동 소개) "다시 말해봐?" 이제 우리는 새로운 의도를 프로그램해야합니다 다시 DialogFlow 콘솔에서 통합 설정 페이지를 닫고 왼쪽에서 Intents 및 인 텐트 만들기 이 의도 거주자 이름을 저장을 클릭하십시오

이름은 대소 문자를 구분합니다 먼저 몇 가지 훈련 문구를 추가하겠습니다 이렇게하면 Google Assistant가 사용자가 Google 질문에 답변하는 다양한 방법을 인식하는 데 도움이됩니다 앱이 처음에 말합니다 "환영! 너는 어떤 나라에 살고있어?" 우리는 대답 할 수 있습니다

"나는 한국에 살고있다" Google에서는이 경우 매개 변수를 정의합니다 이 기능은 국가, 언어, 색상 및 기타 항목에서 사용할 수 있습니다 다른 것을 해보 죠 "우리 집에있다

인도" "나는 몰디브에 살고있다" "나는 빌라를 빌렸다 오스트리아 " "남아공에서 일하고 있습니다

" "미국" 이번에는 국가가 자동으로 강조 표시되었지만 시도 할 때 그렇지 않을 수도 있습니다 특정 국가 이름을 강조 표시하여 매개 변수가 인식되는지 확인하고 Google이 미리 정의한 엔티티를 선택합니다 작업 및 매개 변수에서 관리를 클릭하십시오 매개 변수와 행동 지역 – 국가 매개 변수가 필요하며이를 확인합니다

매개 변수 이름을 단순하게 "country"로 단순화합시다 해당 프롬프트를 입력합니다 "무슨 나라 너니? 살다?" 그리고 닫기를 클릭하십시오 이행 섹션에서, EULBLE FULFILLMENT를 클릭하십시오 이 의도에 대해 웹 훅 통화 사용을 설정하고 저장을 클릭합니다

이제 간단한 JavaScript를 살펴 보겠습니다 DialogFlow 콘솔에서 왼쪽에있는 이행을 클릭하고 인라인 편집기를 활성화하십시오 다음 코드를 입력해야합니다 엄격 모드를 사용하고 DialogFlow 모듈을 가져옵니다 또한 firebase 함수 패키지를 가져오고 app이라는 DialogFlow의 인스턴스가 필요합니다

그래서이 의도를 위해 거주하는 국가, 우리는 두 개의 인수를 돌려받습니다 : 이 경우 사용자와의 대화에 대한 속성을 가진 대화 개체 및 매개 변수 개체 사용자 응답의 국가 이름 우리는 국가 이름의 글자 수를 세고 변수 letterCount에 할당하십시오 그런 다음 letterCount와 국가 이름을 사용하여 사용자에게 메시지로 대화를 닫습니다 조금 더 코딩하면 다양한 시나리오와 사용자 입력을 여기에서 설명 할 수 있습니다 이제 배포를 클릭하십시오 이 작업은 몇 분 정도 걸릴 수 있습니다

"마지막으로 배포했습니다"라는 메시지가 표시 될 때까지 잠시 기다립니다 이제 Google 콘솔의 액션으로 돌아가서 시뮬레이터를 사용하여 앱을 테스트 할 수 있습니다 시뮬레이터를 클릭하고 테스트 앱과 이야기 해 봅시다 (Assistant) "알았어

내 테스트 앱의 테스트 버전 가져 오기" (행동 소개) "환영합니다 어떤 나라에 살고 있습니까?" "나는 인도네시아에 산다" (행동 소개) "좋았어! 인도네시아에는 9 개의 편지가있다" "내 테스트 앱 이야기" (Assistant) "알았어 내 테스트 앱의 테스트 버전 가져 오기

" (행동 소개) "환영합니다 어떤 나라에 살고 있습니까?" "나는 케냐에서 일한다" (행동 소개) "좋았어 케냐에는 5 개의 편지가있다" "캐나다" (행동 소개) "좋았어! 캐나다에는 여섯 통의 편지가있다" 지금은 잘 작동하고있는 것 같습니다

이 데모에서 가장 인상적인 점은 Google 비서가 상호 작용하고 사용자가 말하는 것을 실제로 이해할 수있는 힘입니다 내가 만든 동작은 전 세계 사용자가 사용할 수 있습니다 앞으로 다른 데모 및 상호 작용을 실험 해 보시고 향후이 데모에서 더 많은 비디오를 얻으실 수 있도록이 채널을 따르십시오 정보 및 링크에 대한 설명을 확인하고 아래 의견에 대한 의견을 나에게주세요

Building a Go AI with Kubernetes and TensorFlow

[음악 재생] DUSTIN KIRKLAND : 안녕하세요, 제 이름은 더 스틴 커클랜드입니다 저는 Google의 제품 관리자이고 저는 제 동료 중 한 명인 앤드류 잭슨 (Andrew Jackson) Google의 엔지니어, 조쉬 호크 (Josh Hoke) Google의 소프트웨어 엔지니어

그들은 꽤 흥미 진진한 모델에 대해 우리에게 말할 것입니다 Kubernetes의 상단에 훈련 그리고 그들은 현재 다른 Go AI를 교육하고 있습니다 인공 지능 게임을하는 법 배우기 알았어,이 프로젝트에 대해 조금만 생각해 보라

그리고 그것이 어떻게 시작되었는지 앤드류 잭슨 : 물론 이죠 DeepMind는 다른 알파벳 회사입니다 런던에 본사를두고 있습니다 이 논문을 쓴 연구 중심 회사 마스터 링에 대한 Nature에 발표되었습니다

트리 검색 및 심 신경 네트워크를 사용하여 이동의 게임 그리고 이것은 일종의 계시였습니다 때리는 전문적인 이동 선수가 있기 때문에 인공 지능의 오랜 목표였습니다 그것은 오랜 시간 동안오고있는 반면, 딥 블루는, 30 년 전 뭐야? 30 년 전 이었습니까? Kirkland : 더 가까이, 90 년대 앤드류 잭슨 : 오랜 시간입니다

커클랜드 : [INAUDIBLE] 앤드류 잭슨 : 20, 30 년 전에? 고 이동은 정말 먼 길을 떠난 것처럼 보였습니다 그리고 나서 아무 데나, 딥 마인드는 좋아, "오, 그런데, 우리가 그랬어" 그리고 그들은이 논문을 출판했고, 계시의 종류였습니다 그리고 내년 후반에, 나는 생각한다 그들은 서울에서 월드 챔피언 인 리 세달을 연기했다

그들은 다른 종이를 출판했다 그들은 네트워크를 훈련하지 않았다고 말했다 전문 Go Player를이기려면, 그들은 실제로 인간의 의견없이 그것을 훈련시켰다 그것은 본질적으로 무작위 잡음에서부터 시작되었다 그 자체로 놀는 법을 배웠다

미쳤어 요,이 AI가 더 나아 졌어요 앤드류 잭슨 : 그것은 첫 번째 것보다 낫습니다 환상적 이었어 [알아들을 수 없는] Kirkland : 더 환상적입니다 좋습니다, 그래서 DeepMind 팀입니다

이제 Google의 다른 그룹입니다 네가 여기서 대표하는거야 앤드루 잭슨 : 우리는 실제로 구글에있는 그룹이 아닙니다 따라서 이것은 Google의 그룹이 아니며, 이것은 부차적 인 일입니다 이것은 열정적 인 프로젝트입니다

왜냐하면 – 조셉 호크 : 20 % 프로젝트 앤드류 잭슨 : 우리는 Go Go를 좋아하는 선수들이다 Go, 우리는 AlphaGo와 대결 할 수있는 기회를 얻고 싶었습니다 물론 우리는 할 수 없었습니다 그래서 다시 작성해야했습니다 그래서 Minigo는 오픈 소스입니다

재 작성 – 나는 그것을 재 작성이라고 부르면 안된다 게시 된 작업을 기반으로 한 구현입니다 그것은 코드를 공유하지 않으며, 우리는 그 팀과 전혀 관련이 없습니다 우리는 그 팀과 관계가 없습니다 사실, 우리가 발표 된 논문을 구현할 수있다

그 결과를 시도하고 재현하십시오 그래서 이것은 일종의 재현성에서 흥미 롭습니다 결과의 관점, 또한 이것은 오픈 소스입니다 데모 그들은 정말 빠른 성능 솔루션을 구축했습니다 그것은 Google이 생각한 것처럼 실제로 Google 제품에 구워졌습니다

그래서 우리가하고 싶었던 것은 어떻게 할 수 있었는지에 대한 훌륭한 예를 제시하고자했습니다 Google Cloud 플랫폼을 사용하고 실제로 증폭하십시오 매우 제한된 개발자 리소스를 활용할 수 있습니다 시도하고 정말 놀라운 결과를 달성하기 위해 DUSTIN KIRKLAND : 좋습니다

오픈 소스 프로젝트입니다 Google에서 귀하의 20 % 시간에 구축 된, 금요일 오후에 우리가 재미있는 것들에 관해서 일할 수있는 곳 들판에 이제 이것을 KubeCon에 연결하십시오 코펜하겐의 KubeCon에 있습니다

너희들이 방금 이야기를 했니? 물론 이죠 그래서, 우리는 방금 이야기를했습니다 왜냐하면 우리가 훈련 한 전체 방법, 우리가 얻은 전체적인 방법은 Kubernetes와 함께했습니다 우리는 우리가 필요로했던이 문제를 가지고있었습니다 수백, 수천, 실제로 수백만 개의 게임을 만들 수 있습니다

일종의 강력한 모델을 얻기 위해서 그래서 우리는 무엇을 했습니까? 우리는 Kubernetes를 사용했습니다 우리는 기계 학습을 사용했습니다 앤드류 잭슨 : 그래서 우리는 그녀와 무엇을 했습니까? 기계 학습, 맞아 ANDREW JACKSON : 기계 학습

Kirkland : 네, 그래요 앤드류 잭슨 : 그것은 일종의 펀치 라인입니다 하지만 여기서 중요한 부분이 있다고 생각합니다 이것이 보강 학습이라는 것입니다 알고리즘은 훈련 할 자체 데이터를 생성해야합니다

데이터 생성은 비용이 많이 드는 부분입니다 전체 프로세스의 따라서 다른 보강 학습 응용 프로그램 이러한 시뮬레이션을 실행하는 로봇처럼 다음 데이터 반복 생성 정말 계산 상 비쌉니다 반면 Go 도메인의 경우 – Go- 매우 쉽게 병렬화 될 수있는 매우 자연스러운 방식으로 DUSTIN KIRKLAND : 이제 병렬 처리 – 지금, 여러분은 구현을 훈련시키기 위해 거대한 모델을 실행했습니다 너는 쿠 베넷을 사용하여 오케스트레이션을했다 게임의 재생

더 낫지 않습니까? 맞습니다 그래서 우리는 Kubernetes를 사용합니다 우리는 실제로 GKE- 우리는 거대한 거대한 무리를 만들었습니다 그리고뿐만 아니라 – 커클랜드 : 거인을 정의하십시오 우리가 뛰고 있다고 생각해

2000 노드처럼 말합니까? 앤드류 잭슨 : 2,000 GPU 맞아, 맞아 DUSTIN KIRKLAND : GPU 인스턴스? 맞아 그래서 우리는 기계 전체를 사용하고 있었을뿐만 아니라, 우리는 우리 모델을 훈련시키기 위해 GPU 전체를 사용하고있었습니다 앤드류 잭슨 : 네

DUSTIN KIRKLAND : 그리고이 문제는 특히 CUDA 및 GPU에 적합합니다 맞습니까? 물론 이죠 GPU에 적합한 이유입니다 우리가 기계 학습을 통해 일을하고 있기 때문입니다 모델, 신경 네트워크를 통해

수학뿐입니다 행렬 및 GPU 실제로 실제로 잘 작동하고 있습니다 행렬을 통해 Kickland : 좋아요, 그래서 각 게임 그것은 시뮬레이션 된 것입니다 각자 Kubernetes 포드에서 달렸다

컨테이너로? 맞습니다 그리고 우리는이 모든 꼬투리를 계획했습니다 모두 커뮤니티 배치 API, 작업 API, 우리는 병렬 처리 방식을 설정했습니다 Kubernetes가 방금 스케줄링을 처리했습니다 이 모든 기계에

환상적 이었어 DUSTIN KIRKLAND : 이제이 이미지를 끌어 당길 수 있습니까? 그리고 나도 몰라, 재미있는 게임 시뮬레이션을해라 내 랩톱에서 분명히 GPU가 가속되지 않습니까? 앤드류 잭슨 : 당연하지 GPU 가속 버전을 사용하는 경우 당신도 그렇게 할 수 있습니다 그것은 다른 이미지가 될 것입니다

그러나 확실히, 우리는 이것들을 사용할 수있게하십시오 이미지를 아래로 내릴 수 있습니다 실제로 이미지에 UI가 첨부되어 있습니다 그래서 당신은 실제로 그것을보고 놀 수 있습니다 그것은 당신이 그렇게 생각합니다

그것은 실제로 우리가 가지고있는 데모입니다 KIRKLAND : 저는 그것을보고 싶습니다 그렇다면 게임을 얼마나 오래 시뮬레이션 할 수 있습니까? 앤드루 잭슨 : 2 ~ 3 분 몇 분만 GPU가 없다면 꽤 오랜 시간이 걸릴 수 있습니다

ANDREW JACKSON :하지만 생각하는 정도에 달려 있습니다 맞습니다 앤드류 잭슨 : 진짜 질문입니다 잠시 생각하고 싶다면 할 수 있습니다 당신은 오랜 시간을 생각하기를 원합니다

그것은 오랜 시간이 걸릴 것입니다 당신은 그것이 매우 빨리 생각하고 오래 걸리지 않을 것입니다 그것은 당신의 선택입니다 GPU로, 아마도 게임에 몇 분 정도 걸릴 것입니다 DUSTIN KIRKLAND : 몇 분 게임

앤드류 잭슨 : 거의 모든 짐 GPU에 의해 처리됩니다 프로세서에서 실제로 수행하는 작업은 거의 없습니다 GPU 가속을 사용하는 경우 좋아, 환상적이야 나는 당신의 데모를보고 싶다 앤드류 잭슨 : 알 겠어

KIRKLAND :이 점을 말해주십시오 앤드류 잭슨 : 좋아 그래서 우리가 여기서 본 것은 우리가보고 있습니다 음, 몇 초 후에 보게 될 것입니다 나는 기다려야한다고 생각해

우리가 여기에서 보는 것은 Minigo가 생각하는 것을 볼 것입니다 알아 내려고 할거야 어떤 움직임이 재생 될지 그래서 왼쪽에서, 우리는 주요 변화를 봅니다, 그리고 그것은 단지이 움직임을 원한다고 결정했습니다 이제 내 차례가 될거야

나는 거기에서 놀거야 Minigo가 다시 생각하는 것을 볼 것입니다 그래서 거기에서 플레이하기로 결정했고 Minigo는 생각하고 있습니다 흰색은 1 개를 재생하고 검은 색은 2 개를 재생합니다 그러면 흰색이 3 번 재생됩니다

그리고 그 숫자가 돌아 다니면서, 무엇에 대해 마음이 바뀌고 있습니다 그것은 양측 모두에게 가장 좋은 결과라고 생각합니다 우리가 여기에서 보는 다른 그래프는, 그래서이 위쪽의 보드는 모델에서 발생하는 실제 추론 지금 그래서 그것들은 가능한 보드의 총 수의 1/20입니다 그것이보고있는 위치

그래서 인간이 게임을 할 때처럼 우리는 앞을 생각하고 무엇이 일어날 일을 시각화하고, 우리는 다음과 여부를 결정하려고합니다 우리는 우리가가는 곳을 좋아합니다 Minigo는 똑같은 일을하고 있습니다 최선의 선택이 무엇인지 미리 읽으려고합니다 사람과 본질적으로 게임이 발전하고있는 곳을 좋아하는지 여부를 파악하십시오

이것이 바로 맨 위에있는 것입니다 각각의 추론들 가운데 하나는 모든 다른 동작입니다 그것은 탐험 중입니다 맨 아래는 주어진 play-out에 대한 점수의 변화입니다

오른쪽 상단에 보이는이 그래프 게임이 각면에서 어떻게 진행되고 있다고 생각하는지입니다 그것이 올라갈 때, 그것은 한쪽을 생각합니다 이기고있다 상대방이 이기고 있다고 생각합니다 그래서 모든 버그 정보가 거기에 있습니다 그럼에도 중요한 것은 물론 우리보다 Minigo 사물이 훨씬 빠릅니다

그래서 우리는 1/20 만 샘플링하는 것입니다 앤드류 잭슨 : 우리는 샘플링 중입니다 테이블 위치의 1/20 그 위치, 맞아 앤드류 잭슨 : 그래서, Go 선수 들로서, 이것은 우리에게 정말로 흥미 롭습니다

사물을 볼 때 생각하고있는 것을보고보고보기 우리가 생각하지도 모르는 행동 우리가 생각하지 않을 것입니다 그리고 우리는 그것이 계속이 무엇이라고 생각 하는지를 볼 수 있습니다 그 후에 무슨 일이 일어날 지 그래서 이것은 정말 훌륭한 학습 도구이며 우리에게 유용합니다 Go 선수

KIRKLAND : 나는 말하기를, 슈퍼 매혹적인 한 가지 나는이 경기를 본다 나는 마치, 이것은 내가할만한 것입니다 이것은 실제로 나에게 매우 인간적인 게임처럼 보입니다 맞습니다 이것은 더 작은 모델입니다

이것은 9에서 9까지 진행되는 Go 게임입니다 Go의 실제 게임은 실제로이 게임의 네 배입니다 하지만 이것은 우리에게 더 쉬운 작은 버전입니다 로컬에서 실행하고 기본적으로 랩톱에서 데모를 제공합니다 대신 큰 비프의 GPU 기계에

그래서 이것은 더 작은 버전입니다, 그것은 더 작은 모델입니다 그러나 결과적으로, 그것은 정말로 중요하지 않습니다 우리는 풀 사이즈의 모델도 가지고 있습니다 너는 우리 양동이에서 그것들을 또한 다운로드 할 수있다 우리의 모든 데이터와 함께

DUSTIN KIRKLAND : 당신은 인간을 가질 준비가 되셨습니까? 앤드루 잭슨 : 네, 우린 인간을 택했습니다 이것은 누구와도 공개적으로 놀고있다 이동 서버에서 재생하려고합니다 아직 개발 중입니다 우리가 결과를 복제 할 수 있기를 바란다

그 다음에 할 수있는 다른 것을 탐구하기 시작하십시오 그걸로 무엇을 추가 할 수 있는지, 어떤 다른 종류의 옵션들 거기있다 하지만 개선해야 할 부분이 많습니다 앤드류 잭슨 :해야 할 일이 많습니다 알아 내야 할 버그가 항상있다

우리는 항상 더 잘 만들고 있습니다 앤드류 잭슨 : 우리를 찾고 싶다면, 이 모든 것이 GitHub에 있으며 TensorFlow 바로 아래에 있습니다 저장소 그래서 githubcom/tensorflow/minigo, 우리는 어떤 종류의 끌어 오기를 할 것입니다

요청, 의견, 문제, 불만, 음모론, 모든 것 DUSTIN KIRKLAND : 매혹적인 매혹적인 계획 이걸 Kubernetes 마지막 비트에 묶는 것 Kubernetes는 밑에 인프라를 제공했습니다 Kubernetes가 없으면, 너의 선택은 뭐니? 앤드류 잭슨 : 그래서, 내가 끝나면 이것의 초기 구현, 어려운 부분은 실제로 구현되지 않았다는 것을 깨달았습니다

신경 네트워크 어려운 부분은 이 엄청난 양의 셀프 플레이를하고 데이터를 생성하십시오 그것은 단지 20,000 게임이 아니며, 그것은 모델 당 2 만 게임이며, 아마도 500 모델을해야 할 것입니다 따라서이 계산의 막대한 양입니다 어떻게 내가 알아낼 필요가 있었는지 각 게임에 몇 분이 걸릴 때 그렇게 할 것입니다

그리고 운 좋게 나는 Kubernetes에 맞붙었던 사람을 알고 있었다 조쉬, 내가 어떻게해야 돼? VM을 직접 관리하기 위해 많은 bash 스크립트를 작성하고 싶습니다 전적으로 요 Bash가 올바른 선택입니다 앤드류 잭슨 : 오, 이런, 이걸 어떻게 저울질 할거야? 오픈 소스 도구 만 있으면됩니까? Google 인프라가 없기 때문에 기대다

Kirkland : 다른 부분이 맞아요 맞아 인프라 단일 VM을 프로비저닝 할 필요가 없었습니다 당신은 GPU를 찾을 필요가 없었습니다

앤드류 잭슨 : 나는 많은 일을해야했다 도커 이미지 내부에서 코드가 작동하도록하려면, 왜냐하면이 멍청이를 만들기 때문이야 이미지는 매우 효과적입니다 Docker의 추상화는 음, 실제 실리콘이 무엇인지에 대해 걱정하지 마십시오 그러나 TensorFlow와 GPU는 매우 컸습니다

모든 프로세서 최적화로 컴파일하려고하면 우리는 최신 NVIDIA 드라이버로 컴파일하려고합니다 도커 이미지 내부에서 모든 작업 수행 가벼운 것은 아니지만 훨씬 쉬워졌습니다 특히 GPU 출시와 함께 생각합니다 GKE에서 최신 정보를 얻는 것이 전체 상황입니다 드라이버, CUDA DNN 설치, 그게 먼 길이다

그리고 우리가 이것을 시작했을 때에도, 그것은 단지, 6 개월 전 같아요 그 이후로 먼 길을왔다 그래서 꽤 재미 있어요 슈퍼 호쾌 하네 앤드류 잭슨 : 그런 종류의 진전을 볼 수 있습니다

하지만 그 어려운 부분은 그 성능을 얻고있었습니다 그 용기 안에 그래서 컨테이너가 이러한 종류의 고성능 컴퓨팅에는 장애물이 없습니다 가능한 한 빨리 GPU를 사용하고 싶다면, 당신은 모든 확장 프로세서를 사용하고자합니다 지침, 인스턴스에서도 그렇게 할 수 있습니다

당신이 그 (것)들을 만드는 방법에 약간 배려는이다 그래서 나는 그것이 꽤 흥미있는 것이라고 생각합니다 Kirkland : 더 환상적입니다 조쉬, 앤드류, 시간 내 주셔서 감사합니다 고마워

앤드류 잭슨 : 고마워 [음악 재생]

Actions on Google: Building Apps for Assistant

[음악 재생 중] 사칫 미슈라: 안녕하세요 저는 사칫 미슈라입니다 오늘 저는 APIAI를 이용해 Google 어시스턴트이 앱을 만드는 것이 얼마나 쉽고 빠른지 보여드리려고 합니다 이 앱들은 Google 홈이나 조건이 맞는 모바일 기기의 어시스턴트에 접속 가능한 사람이라면 누구나 사용할 수 있습니다 이 영상에서 저는 어시스턴트 앱을 만들 것입니다 GitHub에 있는 'Google에 대한 사실'에 관한 예시와 비슷하죠 'Google에 대한 사실' 예시는 사람들에게 Google의 역사에 관한 사실이나 본사에 관한 이야기 등 사용자가 관심있어 하는 이야기를 해줍니다 하지만 여기에서 끝나지 않고 사용자는 개발자 사이트에 가서 그 예시들을 더 개발할 수도 있고 사용자가 잘 아는 분야에 대한 사실을 추가할 수도 있습니다 고양이나 뜨개질 같은 것들을 말이죠 이제 API

AI 도구에 가서 이것을 어떻게 만드는지 처음부터 살펴보도록 하죠 먼저, 액션 콘솔에 로그인 하고 프로젝트 추가를 클릭합니다 이름을 설정하면 새로운 프로젝트가 만들어집니다 액션 콘솔은 시작점입니다 어떤 새로운 어시스턴트 앱을 만들든지요 여기에서 개발 도구를 설정하면 분석 도구와 테스트 도구들에 접속할 수 있습니다 그리고 앱에 대한 디렉터리 정보를 입력하는 양식도 제공합니다 여기에서 우리는 APIAI를 사용하거나 저희의 NLA와 함께 가공되지 않은 액션 SDK를 사용할 수 있고 또는 자연 언어를 이해 솔루션을 사용할 수 있습니다 APIAI를 선택해 볼게요 APIAI에 로그인 됐습니다 그리고 에이전트가 만들어졌습니다 APIAI 에이전트는 사용자의 상품 또는 서비스를 위한 NLU 모듈입니다 API

AI의 에이전트는 어시스턴트를 위한 앱을 지정해 줍니다 그러면 이 영상의 목적에 따라 그것들이 동일한 것을 지칭한다고 생각합시다 에이전트를 만들고 나면 인텐트 화면이 뜹니다 인텐트와 엔티티는 2개의 중요한 개념인데 APIAI에서 상호작용하는 시나리오를 만들 때 중요합니다 인텐트는 대화를 시작하는 지점이고 사용자들의 대화 경험이 어떻게 나타나야 하는지에 대해 방향을 잡아줍니다 사용자가 자신이 원하는 것에 대해 여러 방식으로 말할 수 있지만 결국 모두 하나의 인텐트를 통한 동일한 대답을 받아야 합니다 대화는 사용자들의 답변을 인텐트로 끊임없이 정리하는 과정이라고 할 수 있습니다 저희 앱이 이미 기본 대비책 인텐트를 갖고 있다는 점을 기억하세요 이것은 사용자들이 말하는 것을 앱이 인식하지 못할 때 사용됩니다 기본 환영인사 인텐트도 있습니다 이것은 사용자가 처음 왔을 때 사용된다는 점에서 대화의 시작점을 의미합니다 이미 만들어진 환영 인사를 지우고 여러분만의 인사를 설정해 봅시다 "Google에 관한 사실에 오신 것을 환영합니다 Google의 역사 Google 본사 중 어느 것을 듣고 싶으십니까" 같은 인사를 할 수 있습니다 이를 통해 사용자를 알 수 있고 저희의 어시스턴트 앱을 Google 어시스턴트와 분리해서 생각할 수 있습니다 또한 다음 대화로 사용자를 이끌 수도 있습니다 여기에서는 '양자택일' 질문을 사용해 보겠습니다 여러분의 명령어는 모두 앱의 성격을 결정한다는 것을 기억하십시오 이는 훌륭한 대화 경험을 만들기 위해서 아주 중요합니다 다음 인텐트로 넘어가기 전에 몇 가지 수동 설정 엔티티를 만들어야 합니다 엔티티는 사용자들이 그들의 자연 언어로 명령을 내릴 때 사용하는 다양한 표현들을 묶어놓은 것입니다 엔티티는 인텐트의 논리가 받아들일 수 있는 표현들의 한계를 설정합니다 APIAI에는 두 종류의 엔티티가 있습니다 첫번째는 미리 설정되어 있는 시스템 엔티티로 자주 쓰이는 표현들을 다룹니다 시간, 숫자, 주소, 자료 등을 말이죠 두번째는 개발자 엔티티입니다 우리는 이것을 여기에 사용할 것입니다 저는 APIAI 웹 콘솔을 사용해 개발자 엔티티를 만들 것입니다 하지만 여러분은 JSON 또는 CSV 형식 파일들을 업로드하거나 API 콜을 통해 사용할 수 있습니다 먼저 시작하기 위해서 'Google에 대한 사실'의 두 종류의 사실에 대해 알아야 합니다 '과거'라고 표현될 수도 있는 '역사'와 HQ라고도 하는 '본사'입니다 다 끝내고 나면 이렇게 될 것입니다 다음으로 사용 사례를 위한 인텐드를 만들 겁니다 저희의 어시스턴트 앱이 도움을 주고 사실을 이야기해줄 겁니다 'tell_fact'라는 인텐트를 만들고 사용자가 사실을 듣기 위해 물어볼 질문의 몇 가지 예시를 추가합니다 우리는 사용자가 시작화면에서 주어진 환영 인사 인텐트에 인사할 것을 예상할 수 있고 아니면 다른 사실에 대해 물어볼지도 모릅니다 이미 사실 하나를 들은 후에 말이죠 또 그들은 단순히 '역사'라고 말하거나 혹은 더 복잡하게 '구글의 역사에 대해 알아보고 싶어' 라고 할지도 모릅니다 새로운 예시들을 입력하면 그 예시들이 fact-category 엔티티로 주석이 자동으로 달리는 것을 볼 수 있습니다 이것은 사용자가 구문에 엔티티 값을 직접 제공해서 이 인텐트가 실행되도록 할 수 있다는 의미입니다 우리는 이런 주석, 파라미터의 이름 그리고 엔티티가 우리의 예시에 적용되도록 바꿀 수 있습니다 APIAI는 주석의 예시와 엔티티를 보고 배울 것입니다 더 다양한 요구들을 이해하기 위해 말이죠 예시를 좀 더 추가해 보죠 사용자가 이 인텐트에 어떻게 작용할지에 대해서요 "Google HQ에 대해 말해줘" "Google의 역사에 대해 알고 싶어" "Google 본사에 대해 말해줄 수 있어?" "Google에 대해 말해봐" 대개는 10~12개의 예시를 제공하고 싶을 겁니다 사용자가 뭐라고 말할지에 관해 다양하게 API

AI를 교육시키기 위해서 말이죠 마지막 문장은 fact-category 엔티티에 포함되지 않는다는 것을 기억하세요 트리거링 문장에서 카테고리는 항상 명시되지 않는 APIAI를 나타내줄 뿐이죠 여기 아래에 asfact라는 인텐트를 위해 액션을 입력해 보겠습니다 그리고 이건 제 비지니스 업무를 작동시킬 겁니다 관련된 답변을 얻기 위해서요 참고로 APIAI에서의 액션은 Google에서의 액션과 다르다는 것을 아셔야 합니다 그리고 우린 다시 fact-category 파라미터가 자동적으로 생성되는 걸 볼 수 있습니다 주석의 예시로부터 말이죠 이 인텐트는 단 하나의 파라미터를 가집니다 그치만 여러분은 이 하나가 전체의 묶음을 가질 수 있단 걸 상상해 볼 수 있습니다 레시피 찾기 인텐드같이요 재료 목록과 식사 종류가 필요할지도 모르는 것처럼 말이죠 'Google에 대한 사실'은 사용자가 원하는 카테고리를 모르면 사실을 이야기 할 수 없습니다 그렇기 때문에 저는 이 파라미터를 표시할 겁니다 그리고 명령을 추가해보겠습니다 'Google에 대한 사실'은 이 명령들을 사용할 겁니다 인텐트를 작용하게 하기 위한 구절이 바로 제공되지 않을 때 놓친 정보를 요청하기 위해서 말이죠 예를 들어 사용자가 구글에 대한 사실을 달라고 말할 때 같은 경우에 말입니다 여러분은 하나의 명령 이상을 추가할 수 있습니다 각각의 파라미터에 다양하게 추가할 수 있는 거죠 우리의 명령은 여러분이 무엇을 듣길 원하는지와 관련됩니다 구글의 역사나 그 본사에 대해서요 이제 간단한 사실을 하드코어해보죠 예를 들어 Google은 1998년에 설립됐다 같은 거요 우리는 이제 이 인텐트를 APIAI 시뮬레이터에 바로 시험해 볼 수 있습니다 우리가 만든 문장을 시험해 보죠 "Google에 대한 사실을 말해줘" 인텐트가 일치하는 걸 볼 수 있습니다 그리고 fact-category 파라미터를 위한 명령을 얻을 수 있습니다 트리거링 구절에서 제공되지 않았거든요 응답 후, 우리는 하드코드된 답변을 받게 됩니다 여기예요 하지만 우리의 실제 답변은 달라질 겁니다 사용자가 듣고자 하는 사실에 따라 말이죠 그래서 이를 단순히 하드코드를 할 수 없습니다 생생한 경험을 제공하기 위해 API

AI 에이전트에 웹 후크가 필요합니다 이건 웹 호스티드 엔드포인트가 될 겁니다 그리고 APIAI는 이를 주어진 인텐트를 위해 물을 수 있습니다 몇 가지 응답을 제공하기 위해 말이죠 여러분의 웹 후크는 https 엔드포인트 빌트여야 합니다 여러분이 선택한 어느 기계에서든지요 이는 새로운 APIAI 요청을 만들 때와 적절하게 형식화된 답변을 보낼 때 큰 역할을 할 겁니다 약간 복잡할 수 있는데요 그래서 저희는 Nodejs에 클라이언트 라이브러리를 만들었습니다 이를 사용해서 여러분의 비지니스 업무와 인터페이스가 가능합니다 그럼 이게 어떻게 Nodejs 웹 후크를 만드는데 사용되는지 한번 볼게요 이 앱을 위해서 말이죠 여기에 API

AI 앱 클래스을 초기화하는 클라우드 기능이 있습니다 클라이언트 라이브러리의 npm 패키지에서 보내진 것이죠 그리고 이를 한 쌍의 새로운 요청과 응답을 함께 초기화합니다 저희는 또한 맵을 알려줍니다 액션 맵이라고 하죠 그리고 이는 APIAI 콘솔에 입력된 액션 스트링이 기능 처리기에 맞추게 합니다 이런 경우, tellfact 액션을 매핑합니다 저희가 tellFact 기능 전에 콘솔에 적어둔 액션을 말이죠 그리고 이것은 APIAI 앱 오브젝트와 관련해 퍼지게 될 겁니다 액션 맵과 함께 apphandleRequest를 부르는 것은 응답을 API

AI에 보내는 업무를 작동하게 할 것입니다 tellFact 기능으로 몇 가지 흥미로운 것들을 할 수 있습니다 첫째, 팩트 스트링을 기본으로 초기화시켜 줍니다 그리곤 appget Argument 방법을 이용해서 fact-category 파라미터의 값을 도출해 냅니다 인텐트에서요 그 값에 기반해서 사용자에게 사실을 가져다 줍니다 그리고 사용자를 위한 답변을 형성하죠 사용된 답변은 사용자 기기의 서페이스 기능을 바탕으로 합니다 기기가 시각적 정보를 스크린에 휴대폰처럼 도출해낼 수 있다면 풍부한 응답들이 사용됩니다 그리고 이는 간단한 채팅 텍스트가 있는 카드와 이미지를 포함합니다 접근 가능성을 위한 대체 텍스트와 함께 말이죠 마지막으로 그 대답은 몇 가지 제안을 포함하고 있습니다 대화가 더 나아가기 위해서요 화면에 결과물을 도출할 수 없는 기기의 경우 음성 답변으로써 사용자에게 간단한 스트링이 사용됩니다 자 이제 우리의 웹 후크를 클라우드 기능으로서 지어봤습니다 그리고 Google 클라우드 기능처럼 호스팅 솔루션에 배치해 봤습니다 우린 이제 APIAI에 이것을 사용하게 하면 됩니다 그러기 위해서 Fullfillment로 가서 웹 아래에 있는 Enabled를 클릭하세요 후크 셋팅을 하고 웹 후크의 호스트 주소를 입력합니다 그리고 tellFact 인텐트로 다시 돌아갑니다 그리고 아래에 있는 Use Web Hook를 체크해 줍니다 이게 APIAI가 웹 후크로부터 제공된 답변을 사용할 수 있도록 합니다 여기에 입력된 것 대신에 말이죠 이 인텐트를 위해서요 다시 APIAI 시뮬레이터에서 인텐트를 시험해 볼 수 있습니다 근데 이번에는 User Says 섹션에서 주어진 문장을 사용하지 않을 겁니다 "Google의 과거에 대해 흥미로운 걸 말해봐" 라고 해보죠 그리고 즉시 이 간단한 답변을 얻게 됩니다 우리의 웹 후크에서 만들어진 것이죠 이 점이 API

AI의 가장 멋진 것들 중 하나이기도 하고요 기계 학습입니다, 저희가 제공한 문장에 따라 교육을 받는 거죠 또한 사용자들의 입력을 알아듣습니다 예시와 문자 그대로 일치하지 않더라도 말이죠 그리고 웹 후크를 부르고 답변을 제공합니다 꽤 깔끔하죠? 웹 후크에서 보낸 JSON 요청 또한 확인할 수 있습니다 여기요 이것을 분석하는 건 보통 꽤 어렵습니다 하지만 저희 클라이언트 라이브러리는 이를 쉽게 해주죠 우린 또한 APIAI 콘솔의 교육 섹션을 살펴볼 수 있습니다 입력이 우리의 인텐트와 일치하는지 확인하기 위해서 말이죠 심지어 실시간 정정도 가능합니다 인텐트와 엔티티가 잘 맞는지 말이죠 즉시 그 자리에서요 여기에서 작동이 잘 되는 게 있는데요 먼저 이 대화를 좀 더 보충하고 싶네요 예를 들어, 사용자는 혼란스러울지도 모릅니다 이 어시스턴트 앱으로 뭘 할 수 있는지에 대해서 말이죠 그렇기에 다음의 말을 받아들일 수 있는 도움 콘텐트를 만들어 보죠 "뭘 할 수 있니?" 아니면 "도움이 필요해" 같은 문장들이요 다시 한번 말씀드리지만 제가 여기에 제공하는 예시보다 더 많이 제공하는 걸 잊지 마세요 여기에 간단한 도움의 답변을 제공할 수 있습니다 사용자를 저희 tellFact 인텐트로 이끌기 위해서죠 "Google의 역사나 본사에 대해 다 이야기해 줄 수 있습니다 어떤 걸 알고 싶나요?" 이보다 더 좋은 옵션은 그냥 사용자에게 사실을 제공하는 겁니다 그들에게 대화의 기반을 마련해 주는 거죠 저는 여러분이 여러분 스스로 시도해 볼 것을 권장합니다 마지막으로 quit(마침)이라는 인텐트를 추가해 보겠습니다 그리고 이건 사용자가 대화에서 떠날 수 있도록 해줄 겁니다 이 인텐트를 작동하기 위해 사용자는 아마 이런 말을 해야할 겁니다 "이제 그만 됐어" 또는 "잘가" 그리고 여기에 친절한 답변을 제공할 수 있죠 "네, 다음에 만나요"와 같은 답변이요 또는 사용자가 다시 돌아오게 만들고 싶다면 이렇게 말하는 게 더 좋겠죠 "내일 또 만나요 새로운 정보로 기다리고 있을게요 다음에 봐요" 그리고 웹 후크가 매일 다른 사실을 제공하게 하는 거죠 이제 우린 아래에 있는 End Conversation을 살펴볼게요 APIAI가 대화를 여기에서 마칠 수 있도록요 이제 여기에 꽤 잘 작동되는 게 있는데요 Google 웹 시뮬레이터의 액션에서 이것을 시도해 보겠습니다 그리고 그 현상을 볼 겁니다 시각와 음성의 맥락에서 Google 어시스턴트와 어떻게 자동되는지 말이죠 먼저 통합 페이지로 가보겠습니다 그리고 Google 셋팅에 있는 액션을 클릭해 줍니다 그런 후 앱을 테스팅하기 위해 Test를 클릭해 줍니다 시험상 Google 콘솔의 액션으로 건너뛸 수도 있습니다 첫째로 "내 앱에 말해봐"라고 적용할 겁니다 그리고 간단한 문장을 시험해 볼 겁니다 "역사, 부탁해"처럼요 다음 인텐트를 작동하기 전에 시뮬레이티드된 기기에서 휴대폰으로 바꾸겠습니다 그런 후에 "Google 본사에 대해 알려줘"라고 말할 겁니다 작동하네요! 제대로된 시각적 응답을 받았네요 화면을 기반으로한 서페이스를 사용하고 있기 때문이죠 이게 작동할 수 없는 상황이라면 디버그 정보를 살펴볼 수 있습니다 오른쪽에 있고 데이터가 옮겨진 걸 볼 수 있습니다 어시스턴트 서버와 제 APIAI 에이전트 사이에서요 이제 이걸 제출하기 전에 좀 더 개발하고 싶은데요 더 나은 사용자 경험과 더 많은 콘텐트를 제공하기 위해서요 어떻게 하는지는 여러분이 다 찾을 수 있습니다 개발자 사이트의 Google에 대한 사실 샘플 fuller에 있죠 다하고 나서 APIAI로 돌아가 업데이트를 클릭합니다 그러면 액션 콘솔이 앱을 업데이트하도록 해줍니다 여기 제가 가지고 있는 거랑 같이 말이죠 저는 이제 몇 가지 정보를 제공할 수 있는데요 저희 앱과 콘솔에 관해서요 'Google에 대한 사실'이라고 이름을 표시할 겁니다 그러면 디렉터리에 이게 이름으로 나타나죠 여러분은 여러분의 앱에 독특한 호출 이름을 붙여야 한다는 걸 기억하세요 저희 문서에서 게재한 네이밍 정책에 걸맞은 이름으로요 마이크를 사용해서 Google에 대한 사실이라고 말함으로써 콘솔이 발음을 결정하는 데 도움을 줄 수 있습니다 여기에 앱에 대한 소개를 해보겠습니다 목소리를 선택하고 이 앱이 무엇을 하는지 확실한 설명을 제공해 볼게요 그러고나서 몇 가지 호출 샘플을 제공해 보겠습니다 저희 문서는 다양한 방법을 제시하고 있습니다 여기 보여지는 흔한 앱이 아닌 여러분의 앱을 적용시키기 위해서요 그치만 다른 호출이 없으니 기본으로 해보겠습니다 만약 다른 걸 추가할 때 꼭 테스트를 해보고 추가하세요 저희 검토자가 그것이 작동하는지에 대해 알려줄 겁니다 다음으로, 몇 장의 이미지를 제공할 겁니다 옵션 테스팅 지침서도 함께요 그리고 제 이메일과 링크를 제 프라이버시 정책에 제공할 겁니다 이 모든 게 채워지면 위로 올라가서 저장을 누릅니다 보통 저는 제 앱이 서페이스 기능을 요구하도록 합니다 그치만 여기에서 제 것은 모든 기기들과 작동될 겁니다 그래서 이렇게 기본으로 놔두면 이제 다 됐습니다 이제 제출하기 버튼을 누르면 됩니다 앱이 제출됐습니다, 이제 제출 상태를 여기에서 모니터링할 수 있습니다 이 때, 여러분의 앱은 리뷰 과정을 거치게 됩니다 그리고 이게 받아들여지면 어시스턴트 기기로 배치가 됩니다 어디서나요 승인이 되고 나면 그 앱은 누구에게나 사용 가능합니다 Google 홈에서 Google 어시스턴트를 사용하거나 다른 적합한 기기들에서 말이죠 승인 전에 항상 테스트 할 수 있다는 걸 기억하세요 여러분의 계발자 계정과 연결이 되있는 한 여러분의 기기와 함께 말이죠 그럼 이제 시험해보죠 좋아, Google 내 앱에 말해봐 Google 어시스턴트: 물론이죠 여기 나의 테스트 앱의 테스트 버전이 있습니다 Google에 대한 사실에 오신 걸 환영합니다 Google의 역사와 본사 중 어떤 것을 듣고 싶나요? 사칫 미슈라: 본사의 사실에 대해 말해줘 Google 어시스턴트: 여기 그 정보가 있습니다 Google은 본점에 15개의 구내 식당이 있습니다 다음으로 Google의 역사와 본사 중 어떤 것을 듣고 싶나요? 여기 그 정보가 있습니다 Google은 2008년 안드로이드 첫번째 버전을 출시했습니다 다음으로 Google의 역사와 본사 중 어떤 것을 듣고 싶나요? 사칫 미슈라: 이제 그만 됐어 Google 어시스턴트: 내일 새로운 정보로 기다리고 있을게요 다음에 봐요 사칫 미슈라: 이로써 아주 짧은 시범이었습니다 액션 콘솔과 API

AI 개발자 도구에서 가능한 몇 가지 엄청난 특징들에 대해서요 Google의 액션에 대해 더 궁금한 게 있다면 developersgooglecom/actions에서 콘솔을 확인하거나 자료들을 읽어보세요 그럼 더 완벽한 사실들을 찾을 수 있을 겁니다 Google 샘플과 자세한 설명에 대해서요 숫자 지니(geni) 샘플도 같이 말이죠 이는 디자인의 최상의 실행을 위한 훌륭한 참고 자료이기도 하죠 저희는 또한 Google G+ 커뮤니티의 액션을 가지고 있는데요 여러분은 여기에 질문을 하고 여러분의 생각을 모두와 공유할 수 있습니다 이상으로 사치 미슈라였습니다 이 영상을 봐주셔서 감사합니다 여러분이 무엇을 개발할지 정말 기대됩니다 [음악 재생중]

Building Rich Cross-Platform Conversational UX with API.AI (Google I/O ’17)

[음악 재생] 일리아 GELFENBEYN : 오늘, 우리는 할 것이다 배포 설계에 대해 이야기 플랫폼에서 당신의 에이전트는 다음을 분석 그래서 내 이름은 일리야입니다

나는 APIAI의 제품 리드 해요 APIAI는 대화 애플리케이션을 구축하기위한 구글의 플랫폼입니다 또한 구글 길잡이 Google 홈 및 또는 대리인 API 또는 통합을 통해 모든 다른 플랫폼 그래서 당신은 또한으로 chatbot을 구축 할 수 있습니다, 또는 로봇 자동차, 또는 기타 가정용 기기에 음성을 추가 할 수 있습니다

몇 분, 난 당신을 보여줍니다 처음부터 대화 형 에이전트를 구축하는 방법 및 플랫폼에서 배포합니다 그리고 오퍼 방법을 분석하고 최적화하는 방법을 알려드립니다 오퍼 RONEN : 감사합니다 그래서 오퍼, Chatbase에 제품 리드입니다 그것은 유망한 서비스의 그 개발자는 분석하고 최적화하는 데 도움이 대화의 경험

그래서 오늘은, 내가 가서거야 Chatbase 키 메트릭 개발자를 도울 수있는 방법 워크 플로우는 만들 수 있도록 도와줍니다 매력적이고 대화 에이전트를 높은 변환 일리아 GELFENBEYN : OK 그러나 당신의 첫 번째 이유를 생각하자 대화 형 에이전트를 구축 시작합니다 그럼 당신은 온라인 베이글 순서를 구축하는 가정 해 봅시다 응용 프로그램 또는 서비스 그래서 지금, 당신은 무엇에 대한 배려 실제로 것 안드로이드와 아이폰에 대한 정말 좋은 응용 프로그램을 얻을 것입니다, 아마 그것을 위해 인기있는 웹 서비스입니다

그러나 더 이상 충분하지 않아 보인다 당신이 볼 수 있도록로서, 분석가들은 예측 그 음성 인터페이스 및 자연 언어 인터페이스 매우 인기가있을 것입니다 2020 년 그래서, 모든 웹 브라우징 세션의 30 % 이상 화면없이 수행됩니다 사용자가 요구 될 것입니다 동안 것을 의미 홈 기기 나 자동차, 또는 지원을 통해 요청 모든 웹 검색의 50 % 이상 음성으로 수행됩니다

그래서를 통해 다시, 이동 보조 또는 다른 응용 프로그램 그리고 모든 고객 상호 작용의 85 % 이상 브랜드는 인간없이 할 것으로, chatbot이 또는 아무것도를 통해 그러니까 기본적으로, 사용자가 기대하는 것 당신은 서비스를 제공 할 수 있어야합니다 대화 형 에이전트를 통해뿐 아니라 모바일 앱 또는 웹 서비스를 제공합니다 우리가 APIAI

에서 작업하는 이유는 그래서입니다 그래서 그것에 대해 중요한 무엇인가? 그것은 매우 인기있는 플랫폼입니다 다른 플랫폼에서 대화 에이전트를 구축합니다 우리는 15 만명 이상의 개발자가 플랫폼 작업 그것은 14 개 가지 언어를 지원합니다 그래서 지금 영어에 대한 귀하의 에이전트를 구축 시작할 수 있습니다, 스페인어, 포르투갈어, 프랑스어, 중국어, 한국어, 일본어 그리고 우리는 끊임없이 새로운 언어를 추가

그리고, 그것에 대해 매우 중요한 것입니다 이미 언급 한 바와 같이, 그것은 크로스 플랫폼입니다 당신은 한 곳에서 에이전트를 구축 할 수 있도록 다음 여러 플랫폼에서 배포합니다 그런데 왜 중요한가? 그래서 당신은 알고있다 매우 중요하다 한 가지, 여러 다른 플랫폼은 거기 밖으로있는 동안 이는이 관객을, 그래서 당신은 할 수 있습니다 페이스 북 봇 또는 가정 장치 등 또는 조수의 일종 그리고 당신은 에이전트 경우의 말을하자 당신은, 당신의 제품에 대한 서비스 에 걸쳐 에이전트를 업데이트하기가 매우 어려울 수 있습니다 각각의 플랫폼, 그래서 의미가 있습니다 한 곳에서 모든 것을 가지고있다 둘째, 아마도 가장 중요한 것은 교육이다

그리고 둘 다 수동 훈련과 기계 학습을 의미한다 우리가 수동 훈련에 대해 이야기한다면, 물론, 당신은 당신의 에이전트가 배포 한,의 말을하자 다른 플랫폼에서하고있는 동안 실제 사용자에서 일부 로그를 얻을 수 있으며이를 분석하고 당신의 에이전트를 최적화 그래서 한 곳에서 모든 것을 가지고는 많은 이해 때문에 당신이 뭔가를 업데이트 할 경우, 그것을 모든 플랫폼에서 사용할 수 있습니다 그래서 기본적으로 모든 플랫폼 혜택 당신과 함께 모든 상호 작용에서, 대리인 또는 제품으로있다 또 다른 하나는 기계 학습 관련이있다

그래서 정말 좋은 기계 학습 모델을 학습하기 위해 사용자가 실제로 원하는 지원을 이해하기 의미있는 대화, 당신은 실제 데이터를 제공하기 위해, 로그처럼 당신은 마크 업 그리고 당신은 다른 여러 플랫폼의 데이터가있는 경우, 그것은 것보다 훨씬 도움이 될 수 있습니다 한 곳에서 모든 것을 그래서 매우 정교한 훈련을 구축 당신의 에이전트가 더 잘 이해하기 위해 설정합니다 셋째, 동안 자연 언어는 UX로 고유 미디어 당신은 정말 사용자가 될 것입니다을 제어 할 수 없기 때문에 에 대해 물어, 그래서 당신은 말할 수 없습니다 내 서비스 즉, 음, 서비스 내 chatbot 구현은 다음을 지원합니다 명령 및 내 고향 구현은 사람들을 지원합니다 그래서 사용자가 명령, 또는 아무것도의 세트에 의해 제한되지 않으며, 그래서 그들은 모든 것을 요청할 수 있습니다

그래서 당신은 정말 일관된 UX를 갖고 싶어 모든 플랫폼에서 그러나의 데모로 전환하자 나는 것 에이전트를 구축하는 방법을 보여줍니다 그래서 이것은 개발자 콘솔입니다 그래서 이것은 당신이 APIAI

에 등록 할 때 얻을 수있는 곳입니다 난 그냥 비어있는 에이전트를 만들었습니다 그리고 난 당신의 베이글 주문 응용 프로그램을 작성하는 방법을 보여줍니다 기스로부터 당신이 볼 수 있도록로서, 음, 두 가지 개념이있다 APIAI에서 하나는 텐트이며, 또 다른 하나의 엔티티입니다

그래서 텐트는 지원하려는 행동의 유형입니다 그래서 내 사용자에 대해 물어 수 있습니다 그리고 엔티티는 개체입니다 이 텐트에 사용된다 당신이 볼 수 있도록, 몇 가지가 있습니다 의도의 사전 빌드됩니다 하나는 대체 의도이다

시스템은 그것을 이해하지 않습니다 그래서 만약 , 대체 의도를 트리거 그것이 너무합니다 글쎄, 난 이해가 안 돼요 "라고 말할 수 있습니다, 수 당신은 그것을 바꿔? " 또는이 같은 그리고 당신은 분명히을 사용자 정의 할 수 있습니다 두 번째는 환영 의도이다 그래서이 사람은 당신이 당신의 에이전트를 시작할 때 트리거됩니다 구글 길잡이 나 페이스 북 봇에서, 또는 여유 봇 또는 뭔가 다른있다 그래서 일부 사전 구축 된 응답을 가지고있다

실제로 업데이트 할 수 있으며 "라고 인사합니다, 나는 당신의 베이글 에이전트입니다 " 그래서 저장합니다 그리고 우리의 첫 번째 사용자의 의도를 만들 수 있습니다 베이글 주문 서비스 그래서, 베이글 순서 일 것이다 그래서 내가 뭔가를 알 수 있습니다 이렇게

물론, 그래서 여기 내 최종 사용자가이를 해결할 수있는 방법을 정의하고있다 그래서 내 최종 사용자는 "나는 배고파"라고 말할 수있다 나 같은 "은 오후 2 시까 지 나에게 베이글을 가져옵니다

" 그리고 당신이 볼 수 있듯이, 듀얼 이름 조폐 인식 그래서 우리는 시간과 오후 2 마크 업 또는 내가 좋아하는 뭔가를 말할 수의 말을하자 "나는 123 동 거리에 베이글을 주문하고 싶습니다" 그리고 그것은 주소입니다 알고 있습니다 그리고, 왜 우리는하지 않습니다 "우리는 같은 것을 말할 것이다,의 말을하자 일부 베이글을 주문? " 내 사용자가 말한다면 그래서 이런 걸, 우리는 작업 순서를 반환합니다

그리고 그것은 또한 결과 매개 변수를 반환합니다 그리고 우리는 이제 베이글 주문 의도를 호출 할 수 will– 그리고 우리는 OK ", 같은으로 응답 할 것이다 명령했다 " 그리고 나는 그것을 저장합니다

당신이 여기에서 볼 수 있듯이, 나는 기본 응답을 제공하고있어 그래서 이리 내 사용자가 그것을 할 묻습니다 그래서 만약, 그냥 OK "응답합니다 명령했다 " 실제 생활에서 그래서, 당신은 귀하의 비즈니스에 연결 할 것 로직, 서비스에 그래서 당신은 이행을 구현할 수 있습니다

그래서 당신은 호출하는 서비스를 설정할 수 있습니다 그리고 지금, 우리는 그것을 시도 할 수 있습니다 그래서 "내가 너무 배고파"같은 기본적인 말할 수있다 무슨 일이 OK, 말한다, 그래서 이것은 JSON입니다 운영자는 얻을 것이다 따라서 사용자는 "내가 너무 배고파

"요청 당신은 액션 주문을 반환하고 매개 변수가 없습니다 이리 아니면 내가 뭔가를 시도 할 수 있습니다 "나는 베이글을 사고 싶은데요"처럼 내가 뭔가를 말할 수 다시, 그것을 이해한다 그리고 여기에 중요한 것이 무엇인지, 무엇이다 여기에 최초의 마술은 물론, 문구는 내가 사용하는 점이다 정말 문구처럼 보이지 않는 나는 데모에 사용되었다

시스템, 텐트 인식 부분 그래서 이해하고 아무것도를 분류하려고 시도 할 것이다 당신이 제공하는 것과 유사 그래서 이것은 하나의 명령을 이해하는 것과 같다 그러나 분명히, 우리는 어떤 종류를 지원하려는 사용자와의 대화 그럼이 조금 더 복잡 할 수 있습니다 그래서 그 대신 "의 확인을 클릭합니다

명령했다 " 우리는 OK ", 같은 회신 해 드리겠습니다 당신은 그것으로 음료를 하시겠습니까? " 나는 그것을 저장합니다 그리고이 대화를 지원하기 위해, 좀 텐트를 만들 것 이 질문의 맥락에서 작동합니다 그래서 자동으로 할 수있는 쉬운 방법이있다

그래서 베이글 순서에 후속 의도를 추가 알 수 있습니다 그리고 나는 확인을 선택을 선택합니다 그리고 나는 또한 단지 사용자 정의 빈 의도를 만들 수 있습니다 그래서 확인을 만듭니다 그리고, 이제 내가 거부를 만듭니다 가정 해 봅시다

그리고 나는 그를 사용자 정의 할 수 있습니다 그래서 나는 "확인을 마셔"그 전화 할게 당신이 볼 수 있듯이, 그것은 입력 컨텍스트를 가지고있다 그래서이 시작되는 주제이다 사용자는 베이글을 주문 요청합니다 그래서 우리는 지금 활성이 베이글 주문 연락처가

사용자가 확인하고, 만약 일부 확인 세트가 문구, 우리는 위대한 "과 같이 회신합니다 주문이 그것의 방법에있다 " 그래서 그것을 저장할 수 있습니다 그리고, 우리는 또한 우리의 두 번째 의도의 이름을 바꿉니다 우리는 "주문은 거부한다"전화 할게 죄송합니다, "거부 음료"

그래서 당신은 이러한 상황을 만들 수 있습니다 자동으로 상황을 관리 할 수 ​​있습니다 그래서 우리가 그것을 가능 사용자가 체크 할 수 있도록하고 싶은 말은하자 언제든지 자신의 상태 순서 그래서 난 내 주요 베이글 주문 의도에 갈거야 그리고 여기 주문 컨텍스트를 추가합니다 그리고 수명을 설정할 수 있습니다

그래서 우리는 기본적으로 인간의 기억을 모방하려고하는, 그래서 당신은 주제의 제한 수를 가질 수 동시에 활성화한다 당신이 그것에 대해 이야기하지 않는 경우 그리고 그들은 만료됩니다 잠시 동안 그리고 그들은 사용자의 경우 새로 고쳐집니다 뭔가에 대해 얘기 유지합니다 그래서 저장합니다 그리고 나는 새로운 의도를 만들 것 "오 데르 상태

"라고합니다 그리고 당신은 주문의 맥락에서 작동합니다, 내 사용자가 말합니다 경우 "어디에 베이글입니까?" 또는, "무슨 주문 상태입니까?" 그런 다음이 응용 프로그램 개발자에게 상태 액션을 반환합니다, 다음 개발자는 비즈니스 로직을 구현합니다 이리 그럼 다시 시도 할 수 있습니다 그래서 "나는 베이글을 사고 싶은데요"같은 말을 할 수 그래서 당신은 OK "로 응답 볼 수 있습니다 당신은 그것으로 음료를 하시겠습니까? " 나는 "물론입니다

"말할 수있다 그것은 예 "를 말한다 순서는 그것의 방법에있다 " 그래서이 대화를 구축 할 수있는 정말 기본적인 방법입니다 그러나의 내 user–을 가정 해 봅시다 사용자가 있기 때문에 잘, 나의 에이전트는 사용자를 이해할 수 없다 매우 다른 무언가를 요구 그래서 Take– 같은 것을 알 수 있습니다 또한, "내 일반적인 순서, 제발

" 작동하는지 보자 네 그래서 대체 의도로 응답합니다 내가 그렇게하지 않았다 "라고 말한다 당신은 다시 말할 수 있습니까? " 그래서 당신은, 개발자로서, 교육 섹션으로 이동 할 수 있습니다

잘, 당신의 로그를 참조하고, 그 참조 사용자가이 같은 것을 말한다면, 나는 할 수있다 베이글 순서 의도를 할당합니다 그래서 그것을 증명, 지금, 내가 다시 말한다면, "내 일반적인 순서, 제발" 그것은 실제로 베이글 순서 루틴으로 진행됩니다 지금 상황으로 이러한 대화를 구축 할 수 있습니다 하지만 당신은 정말 잘 생각할 수 없다 미리 빌드 된 대화 세 가지를 만들 수 있습니다

그래서 당신은 주문의 모든 가능한 방법을 생각할 수 없다 베이글 그래서 일부 최적화 기술이있다 하나는 슬롯 필링입니다 그래서 내가 어떻게 작동하는지 보여 드리겠습니다 하지만 먼저, 나는 개체의 몇 가지를 만들 것입니다

그래서 우리는 베이글 종류를 주문하고 싶은 말은하자 유형 그래서, 일반 베이글, 그리고 된 Asiago 베이글, 참깨 베이글이 의 말을하자 그래서 나는이 엔티티를 저장합니다 또한 충전재를 만들 수 있습니다

의 여기 연어 보자 그리고 약간의 동의어를 추가 할 수 있습니다 그래서 그것은 또한 예를 들어, 훈제 연어를 호출 할 수 있습니다 아니면 내가 또한 토마토 나 오이를해야합니다 그리고 마지막 하나는 확산 될 것입니다

그래서 나는 크림 치즈, 또는 겨자, 또는 잼을 가질 수있다 승인 나는 그것을 저장합니다 그래서 지금, 나는 나의 베이글 주문 의도 얻을 수 있습니다 그리고 나 또한 여기에 표시 한 방법으로, 그래서 모든 의한 API를 통해 사용할 수 있습니다

그래서 당신은 즉석에서 사용자의 의도와 엔티티를 업데이트 할 수 있습니다 당신은 최종 사용자가 특정 개체를 만들 수 있습니다 이 말처럼, 그래서 경우, 최종 사용자의 목록 좋아하는 가수 나 주소록, 당신은 또한 계정으로 걸릴 수 있습니다 그래서 내가 좀 더 흥미로운 예제를 추가 할 수 있습니다 그래서 나는 좋겠 ", 같은 것을 말할 수있다 크림 치즈 오 베이글을 주문하고 싶다

" 그래서 다섯 숫자는 것을 파악, 크림 치즈 스프레드입니다 그리고 나는 또한 "나는 연어를 가진 아시아 고 베이글을 원한다"라고 말할 수 있습니다 그래서 종류와 충전재를 파악한다 그래서, 여기, 내가 유형 및 작성을 얻으려면,의 말을하자 및 주문하기 위해 사용자로부터 항상 퍼졌다 필요에 따라 그래서 나는 그들을 확인할 수 있습니다

그리고 이제 내가 몇 가지 충전재가 있다고 가정 해 보자, 그래서 나는이 목록이라고 말할 것입니다 그래서 저장합니다 그리고 이제 다시 시작하자 그래서 내가 좋아하는, "나는 베이글을 원한다"뭔가 말 그것은 훈련 시간이 걸립니다, 또는 그냥 배고파

당신이 볼 수 있도록,이 작업이 주문한 것을 파악, 하지만 충전 매개 변수가 없습니다 그리고 그것은 나에게 질문을 시작, 같은, "무슨 일이 확산입니까?" 그리고 당신은 하나 하나 답장을하지만, 수 할 매우 어려울 수 있습니다 음, 최종 사용자 기대하기 어렵다 당신의 지침을 따르십시오 그래서 그들은 모든 다른 순서로 회신 할 수 있습니다 그들은 등등 매개 변수를 결합 할 수 있습니다

그래서, 음, 뭔가를 말할 수 그래서, 같은 당신이 볼 수있는 "나는 항상 참깨 베이글 / 선호했다" 유형은 이제 "참깨"이지만, 그것은 나 한테 물어 유지 확산은 무엇인가 그리고 나는 분명히뿐만 아니라, 프롬프트를 정의 할 수 있습니다 그래서, 베이글의 종류를 어떤 식으로 뭔가를 요청할 수 있습니다 나 이런 건 아니면 내가 또한, 같은과 회신 할 수 있습니다 "엄마가 크림 치즈를하고 싶습니다" 물론, 실제로는 "훈제 연어와 토마토

"라고 다시, 나는이 질문에 응답하고 있지 않다 그것을 파악하면 어떻게됩니까 충전재는 연어와 토마토 것을 그리고, 이제 마지막으로 확산 무엇을 말할 수 있습니다 그래서 나는 크림 치즈는 내가 좋아하는 말 그것은 모든 필요한 지금 확산을 파악하고 매개 변수가 가득, 그래서 그것은 음료와 함께가는 유지합니다

나는 네, 말할 수 있습니다 그리고 순서는 방법에있다 그래서,이 기본 에이전트를 구축했습니다 그래서 나를 위해 다음 단계는 배포하는 것입니다 다른 플랫폼 그래서 나는 통합에 갈 수 있습니다

그리고 다시, 당신은 API를 사용할 수 있습니다 그래서 플랫폼의 모든 유형에 배포합니다 그러나 우리는 사용하기 쉬운 통합을 인기있는 플랫폼 그래서 물론 구글에 대한 작업, 시작하자 그래서 콘솔에서 프로젝트 만들기로 이동합니다

그럼 난 다시 가서 검사를 말한다 나는 시뮬레이터를 엽니 다 물론, "내 테스트 애플 리케이션 상담하십시오"처럼 내가 뭔가를 볼 수 있습니다 나는에 다시 로그인 할 필요가 없습니다 승인

그래서 "는 인사말을 회신합니다 나는 당신의 베이글 에이전트입니다 " 당신이 기억다시피, 이것은 우리의 환영 의도이다 그래서 "나는 배고파"라고 말할 수 있습니다 그것은 나에게 모든 질문을 시작합니다

그래서 유사하게, 내가 예를 들어, 웹 데모를 활성화 할 수 있습니다 나는 그것의 이름을 설정할 수 있습니다 그럼 내 IO 베이글 데모 말할 수 있습니다 그래서 다시 내 에이전트입니다 배고파

취소 그건 그렇고, 나 또한 훨씬 더 대화 할 수 있습니다 작은 이야기를 활성화하여 그래서 내가 "안녕, 지금"라고 말할 경우 그것은 나를 이해하지 못합니다 내가 가서 여기에 작은 이야기를 활성화 할 수 있습니다

그리고 나는 그것을 사용자 정의 할 수 있습니다 따라서, 요청하는 경우의이 말을하자 "누구 시죠?" 나는 "나는 IO 베이글 주문 시스템입니다"응답 할 것이다 구하다 작은 토크가 활성화 된 경우 그래서, 나는 다시 시도 할 수 있습니다 "안녕

"라고 "안녕하세요, 친구" "누구 시죠?" 아차 훈련 시간이 좀 걸립니다 어쨌든, 당신은 아이디어를 얻었다 그래서 다음,의는 예산 플랫폼의 일종을 가능하게 할 수 있습니다 ,의 말 여유를 보자

그래서 나는 여유 시간에, 말, 테스트 불황기로 이동합니다 내 그룹을 활성화합니다 이 상태를 확인하기 위해 약간의 시간이 소요됩니다 승인 그 모드가 활성화됩니다

그리고 네 그래서 나는이 API 봇을 가지고있다 그래서 같은 물건 내가 "안녕"라고 말할 수 있습니다 그것은을 시작하는 데 시간이 걸립니다

마찬가지로, 이제 say–하자 "배고픈" 나는 또 다른 데모를 사용하고 있었다 추측하고 that's– 오 예 그래서 지금 나에게 응답합니다 그래서이 모두 좋다 그래서 재미 있고 무슨 일이 발표되었다 이 이벤트에 있습니다 자, 이제 구글 어시스턴트, 그 또한 실제로 안드로이드와 아이폰, 사용할 수 있습니다 당신이 될 것 에이전트를 구축하게 대단한보다 많은 고객에게 사용할 수 있습니다

그래서 우리는이 에이전트를 구축 할 것입니다 가정 해 봅시다 그리고 음성 전용입니다 당신이 볼 수 있듯이, 일부 흰색 카드 응답하지 않습니다 나 이런 건 그래서 다시 가서 업그레이드 할 수 있습니다 그래서 난 내, 말, 베이글 주문거야 그리고 구글의 통합에 작업을 추가합니다

그리고 내가 뭔가를 말할 것이다 이렇게 그래서 음료 정보를 위해, 우리는 것입니다 몇 가지 제안 모양을 추가합니다 그리고 그것은 "아니", "물론"나처럼 될 것입니다 다음, 나는 음료의 확인에 갈거야 때, 또한 여기에 사진을 추가합니다

맛있는, 흠 저장해 그리고 이제 다시 시도 할 수 있습니다 승인 이전 대화를 취소합니다

승인 내 바탕 화면 상담하십시오 인사말 배고파 아차, 내가 그것을 저장하지 않은 것 같아요

오 예 미안 해요, 크림 치즈, 응답해야한다, 그래서 가정 해 봅시다 그리고 – 유형은 무엇입니까? 참깨 그리고 충전재, 연어 당신이 볼 수 있도록로서, 그것은 "확인"과 "아니"제안을 편집했다 그래서 나는, "물론"를 말한다

그리고 대답하고 카드로 응답합니다 또한 갤러리와 몇 가지 다른 유형을 추가 할 수 있습니다 풍부한 내용과는 거래를 연결할 수 있습니다 그런데 그래서, 시뮬레이터, 바로 당신이 그것을 테스트를 시작으로, 그것은 또한 당신의 물리적 장치에서 사용할 수 있습니다 새 집 또는 픽셀 장치로서, 예를 들어, 또는 안드로이드에 대한 그래서 이것은 당신이 구축하고 풍부한 에이전트를 배포하는 방법입니다 다른 플랫폼에서

그리고 에이전트가 배포, 음, 다음 단계 당신은 사용자가 실제로 얼마나 진짜보고 싶은 것 그것으로 이야기하고 오퍼 그것에 대해 이야기 할 것입니다 그래서 당신은 그것을 분석하고 최적화하는 방법 예 승인 오퍼 RONEN : OK

잘 감사합니다, 일리아 일리아 GELFENBEYN : 감사합니다 오퍼 RONEN : 음 첫째, 이야기에 대해 사과 할 크림 치즈와 베이글에 대한 약간 따뜻하고, 모든 점심 식사 전에

그것에 대해 미안 좋은 소식, APIAI에 에이전트를 만드는 사람들 지금 분석이있다 이 새 탭이있다 그리고 그것은 당신에게 세션의 볼륨을 보여줍니다 당신은 당신의 에이전트 있다고

또한, 얼마나 깊은 대화로 사용자는 갔다 참여의 종류 그래서 그리고, 프로 의도 예를 들어, 베이글을 주문 당신은 얼마나 자주를 포함하여 통계를 볼 수 있습니다 사용자는 바로 의도 후 세션을 떠나지 않았다

그래서 당신은 정말 생겼습니다 이해할 수 무엇을 최적화 할 수 있습니다 그래서 데모의 끝입니다 지금, 나는 어떤 슬라이드로 돌아갈거야 따라서이 분석 서비스는 Chatbase에 의해 구동됩니다 그리고 Chatbase이 새로운 유망한 서비스 분석합니다

우리는 초기 액세스 프로그램에 현재입니다 그래서 사람들은 Chatbasecom 및 액세스를 요청에 갈 수 있습니다 그들은 심지어 더 자세한 분석을 원하는 경우 내가 지금 보여준 것보다 그럼 세부, 웹 로그 분석에 대해 이야기하자 다음 슬라이드

일리아 GELFENBEYN : 아, 거기는 리모콘이있다 오퍼 RONEN : OK 그래서, 예 그래서 Chatbase 모든 채팅 봇입니다 우리는 채팅 로봇 개발자의 수십 이야기에서 배운 내용을 지난 몇 개월 동안, 거기 상단 것들의 일부, that–입니다 아, 그게 무슨 뜻인지입니다

승인 우리는 기존의 분석은 단지 그것을 잘라하지 않는 것을 배웠다 chatbot이 다르게 내장되어 있기 때문, 그들은 경험을 멀티 설정하고 그 입력 변수 종류를 처리 할 것으로 예상된다, 당신은 정상적인 웹 사이트 또는 앱 분석 제품을 사용할 수 없습니다 그리고이 모든 개발자 이야기, 우리는 모범 사례와 입력을 배울 수 이 모든 사용하기 쉬운 서비스로 그러니 그냥 API

AI처럼 Chatbase는 크로스 플랫폼입니다 우리가 배운 것이 있기 때문에 개발자가 여러 플랫폼에서 배포하고 싶다 그들은 단지 보통 일하지 않는다 그래서 수있는 것은 플랫폼 별 통계를 비교 정말 강력한 방법이 종종 개발자 의하자가있을 수 있습니다, 이것이 사용 좋은 계약이있는 음성 에이전트를 말한다 그러나 그들의 텍스트 기반의 하나가 고통 받고,의 말을하자, 뿐만 아니라 일을하지 않습니다

당신은에 초점을 맞출 텍스트를 수정할 수 있습니다 그리고 그래서는 베이글 예를 더 이야기하자 당신은 당신의 베이글 에이전트를 배치했습니다 그래서 지금 당신은 성장하고 얼마나 잘 알고 싶어요 즉 자주 묻는 첫 번째 질문입니다 그래서, 우리는 당신에게 몇 가지 통계를 제공 할 수 있습니다 활성 사용자 및 세션 수와 같은, 잘 알고있는 그

뿐만 아니라 당신은 무슨 일이 일어나고 있는지 친 의도를 볼 수 있습니다 성장의 종류처럼 당신이 있어요 결합 측에, 당신은 얼마나 깊은 사람들을 볼 수 있습니다 대화에 들어갔다 그러나 또한 우리가 들었 채팅 봇의 많은 기존의 웹 사이트 또는 앱으로 트래픽을 유도 그래서 우리는 활동의 종류를 표시뿐만 아니라

베이글 예에서, 어쩌면 당신은 원 베이글의 영양 세부 사항을 볼 수 있습니다 당신은이 웹 페이지에있을 수 있습니다, 알고있다 그래서 캡처 한 것 그리고, 유지, 우리는 당신을 보여 의도에 의해 필터링 할 수 있습니다 동료 그래서 당신은 특히 반복적 인 행동에 초점을 맞출 수 있습니다 당신의 chatbot의 주위에 특정 일

또한, 고정 측, 특히 텍스트 기반 에이전트, 당신은 종종 알림을 보낼 사용자가 재결합한다 그 캠페인은 어떻게하고 있는지 그래서, 우리는 당신을 보여 당신은 AV 거기를 테스트 할 수 있습니다 그러나 우리가 배울 것은 그 실제 작업 에이전트를 최적화의 진짜 의도 수준에서 이루어집니다 그래서, 우리는 당신에게 그 내용을 보여줍니다 그리고 당신은 베이글,이 경우에는 볼 수 있습니다 이게 뭐야 후 많은 사람들이 초기 주문을 한 것으로, 9000 사람, 또는 7000

그리고 그들 중 많은 음료를 거부 판매 또는 교차 판매까지 그리고 세션을 떠났다 그들은 완료되지 않았습니다 그들은 단계의 순서를하지 않았다 그래서 당신은 무슨 일이 일어나고 있는지의 이야기를보고 시작할 수 있습니다 사람들이 이탈되는 곳

그리고 당신은 또한 응답 시간을 참조하십시오 때때로 사람들은 종료됩니다의 말을하자, 음료까지 판매 영원히 가지고 가고 있었다 사용자에게 다시 얻을 수 있습니다 우리는 당신에게 50 % 또는 90 %의 응답 시간을 보여줍니다 그리고 그 의도 수준에서 정말 유용 할 수 있습니다 그러나 우리는 더욱 갔다

개발자는 테이블에보고라고 우리에게 이야기 당신이 더 많은 의도를 가지고 특히, 위협이 될 수 있습니다 그래서 우리가하는 일이 우리는 자동입니다 우리가 세션 흐름을 호출 뭔가를 생성합니다 그리고 무엇 즉 것은 그 의도의 순서입니다 사용자가 겪은 그 그리고 우리가 이야기의 예를 보면, 당신은 사람들이 내려 장소 것을 볼 수 있습니다 이 유용 어디에 정말 함께 최적화해야 단계 당신이 이해하는 데 도움이 방법

또한,이 있다는 것입니다 만 피트보기 어떤 사람들은 정말 내 chatbot으로하고있다 그럼 우리의 초기 액세스 파트너의 약을 이야기하자 및 이익 그들은 Chatbase에서 보았다 그래서, Viber는 800과 메시징 응용 프로그램입니다 만 등록 된 사용자 그리고 그들은 자신의 봇과 자신의 채팅 로봇 플랫폼을 또한 타사들 그리고 그들은 꽤 빨리 그 정상적인 분석을 실현 그들을 위해 작동하지 않을했다

그래서 그들은 우리를 사용하기 시작했습니다 그리고 그들의 최고 채팅 로봇 중 하나, 이는 디지털 스티커 공유 봇처럼, 당신은, 고양이, 개의 친구 스티커를 보낼 수 있습니다 등등 그들은 정말 인기있는 쿼리를 보았다 높은 출구 속도를 가지고 있었다 그래서 그들은 사람들을 최적화 그리고 그 후, 그들은 전체 쿼리의 35 % 범프를 보았다, 쿼리 볼륨입니다

그래서 나는 더 많은 이야기를 듣고 정말 흥분 어떻게 어떤 밖으로에 대한 Chatbase에서이 도움이됩니다 그리고 다음 단계의 측면에서, APIAI 가서 에이전트를 구축 할 수 있습니다 또한 Chatbasecom 요청 액세스에 갈 수 초기 액세스 프로그램

우리는 또한 코드 연구소가 있습니다 온라인 여부 여기에 전제에 따라서 당신은 Chatbase과 APIAI 모두 코드 랩을 시도 할 수 있습니다 당신이 작업을 구축하는 경우, 다음에 가입하시기 바랍니다 우리의 활기찬 커뮤니티 온라인 그리고이 시점에서, 우리는 질문을 열 것입니다

우리는 당신의 질문에 도착하지 않은 경우, 바로 여기에서 밖으로 우리의 샌드 박스에 의해 중지하십시오 보조 공간이다 그리고 우리는 거기에 응답 할 수 있습니다 또한 당신을 위해 두 제품을 데모 고맙습니다 [박수 갈채] [음악 재생]

Rep. Pittenger on Google building new AI center in China

>> THIS WEEK GOOGLE에도 불구 ITS 사업의 일부를 당기는 7 년 전 중국의 OUT, 헌신적 센터를 개설 인공 지능 베이징 GOOGLE 유일한 최신 TECH IS GIANT는 IN SHOP을 열어 중국

많은 사람들이 이미 연료를 공급하고 있습니다 로부터 대규모 자금 조달 BY 공산주의 정권 군사 경제를 달성 중국 2025 계획 이전 늪 시계, I 말하길 미국 기업 중국을 돕는이 작업을 수행하려면 경제 커밋된다 반역 나는 IT가 잘 과거 시간 SAY THAT 외국인 투자에시 미국에서는,에 의해 WAS 관중 'S WAY 참여하고 그들이 수행 한 이 모든 ON 강하다 LINE ONE 의원이있다 WHO ME에 동의, 공화당 그는 전에 저에게 오늘 밤하지만 합류 나는이 의원 IN 가져와 그냥 우리가했던 지적 WANT 그리고 그들은 싶지 않았다 그

또한, 내 아내는 WAS 이전에 고위 임원 그곳에 하원 의원은, 정말 고마워요 미국 오늘 밤에 가입하십시오 >> HERE GOOD BE STEVE이다 >> IT 훨씬 생각, 더 중요한 주셔서 감사합니다 CHINESE 대해 자세히 IS 위한 투자하는 회사 우리에 대해 많이하지 AMERICA, OVER 일을하는 회사 그곳에 청구서는 않고 아마 우리 구글을 대해 얘기 할 수 예하지만 UP SET 무엇 당신을 빌은 할 것이다

>> YES, SIR 우리는 매우 우려하고있다 중국의 경우 대통령, 그녀는 매우 IT를 MADE HIS 경제 메시지에서 CLEAR 2015 년과 진술 그들의 사이버을 취득하는이자 AS 보안 관련 회사 잘 기술 회사 AS 그래서 그는 그의 의도했다 미국 TO CLEAR TOO이를 2014 때문에, (43)에게 일부 I를 획득 한 도체 회사의 20 주위 HALF 억 $ 460 억 LAST TO 달러를 년 그리고 그들은 목표로 우리의 군사 보안 관련 과학 기술 다음은 가질 기업입니다 와 공급망 효과 국방부

우리 큰 감독을 가질 것 외국위원회 WITH 미국 투자 그 이후 IT는 HAD되지 않았습니다 개혁의 측면에서 훨씬 SO 상원 의원 CORNYN AND I 읽었다 본 BILL, 비슷한 청구서 에 의해 지원되는 각 HOUSE, 키 된 장관 ,이 법안을 작성 PART 사실 그는 트윗 본을 보내 WEEK는 IT를지지하는 지능형 회장 위원회, MS 파인 스타 인 ALONG 하원 의원과 휴스턴 의자는 또한 본의 일부입니다 계산서 >> 즉 희소식 나는 의견을 당신에게 물어보고 싶은게 본 구글 STORY ON

내가 말했듯이, IT 약간 'S 상기 점에서 다르 저기, 이에 회사 IT 벗겨 질, 우리 모두는 알고 인공 지능 센터 구글 베이징 RUN IN, 중국 정부는 건가요 복용하기위한 모든 지적 재산권 모든 지적 재산권 및 ALL을 걸리는 것 그것과 기술과 그들의 자신을 위해 그것을 사용하고 당신은 우리가해야한다고 생각하지 마십시오 THAT에 대한 우려? 당신은 어떻게 생각? >> 중국지는 매우 전략적 젊은이 OVER에 근거한 그들은 우리의 최고의 듣기론 IN 밝은 교수 기술의 영역 나의 초점은 ON되었습니다 AMERICAN의 ACQUISITION LENOVO와 같은 회사 기타 그들은 단지 억 찾기 던걸 판매 기술에 대한 달러를 북한 RON합니다 I 기업이 걱정 아무도 없기 때문에 그것을 좋아 거기 FREEMAN 시장 OVER

있을 것이다 어떤 회사 CONTROL의 엄청난 양의와 에 의해 영향을 미치고 감독 중국 정부 내가 말하는 것처럼, 난 정말 감사 당신은 AT 가까이 살펴 본다 본 그리고 당신이 수 있기를 바랍니다 정말 IN IT에 주시 사건이 THIS가이므로 세계 지배를 실행하지 그 다루는 >> EVERYTHING 우리의 방어 시스템, 우리의 군사,이 모든