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

AI BUILDING AI MANKIND LOSING MORE CONTROL OVER ARTIFICIAL INTEL

인공 지능을 더 통제력을 상실 AI 건물 AI 인류 Makia 프리먼, AI 건물 AI는 인류가 나타납니다 다음 단계는 기술에 통해 갈 것입니다 진화 우리는 기업이 인공 지능 (AI) 시스템을 설계하는 점에있다 로봇 및 프로그램, 즉 아이 AI 기계, 로봇 및 프로그램을 만들기 위해 우리 AI 건물 AI가있다

일부는 이러한 발전을 칭찬하고 장점을 지적하면서 (사실은 AI는 지금이다 스마트 일부 지역에서 인류보다 따라서 할 수있는 인간보다 아마도 더 나은 디자인 AI), 이 모든 심각한 결과가있다 : 인류는 더에서 제거되고 따라서 설계 과정과 덜 제어 할 수 있습니다 인간이 할 수있는 것보다 우리는 지금 더 나은 AI 건물 AI와 분수령에 도달했습니다 AI는, 능가 오동작을 인류를 압도하는 아이 AI를 구축하면 어떻게됩니까 우리가 그것을 수정하거나 종료하지만 캔트 할 경우? 결국, 우리는 그것을 설계 didnt는, 그래서 어떻게 의도가있을 실 거예요 100 % 확신 할 수 있습니다 결과? 우리는 어떻게 우리가 100 % 직접 제어 할 수 있습니다 확신 할 수 있습니까? AI 건물 AI : 작업 아동 AI 성능이 뛰어납니다 다른 모든 컴퓨터 시스템 구글 뇌 연구자들은이 AutoML, 인공 지능을 만들어 낸 5 월, 2017 년 발표 된 어린이의 AI를 구축 할 수 있습니다 AutoML의 ML은 기계 학습을 의미합니다 이 문서로 구글의 AI는 어떤 계시 인간에 의해 만들어 능가 그것의 자신의 AI를 내장 AutoML는 다른 모든 컴퓨터 시스템을 능가 AI가 NASNet라는 아이를 만들어 객체 인식의 작업 : 구글의 연구자들은 접근 방식을 사용하여 기계 학습 모델의 설계를 자동화 강화 학습했다

AutoML는 특정의 아이 AI 네트워크를 개발하는 컨트롤러 신경 네트워크의 역할 태스크 연구진은 NASNet라는이 특별한 아이 AI, 들어, 작업 개체를 인식했다 사람들이 실시간으로 영상 등 자동차, 신호등, 핸드백, 배낭, AutoML는 NASNets 성능을 평가하고 자식을 개선하기 위해이 정보를 사용합니다 AI는 시간의 과정 수천을 반복 ImageNet 화상 분류 및 COCO 객체 검출 데이터 세트를 테스트 할 때 구글의 연구자들은 가장 존경받는 대규모 학술 데이터 세트의 두 개의 전화 컴퓨터 비전, NASNet 다른 모든 컴퓨터 비전 시스템을 상회 연구자들에 따르면, NASNet는 ImageNets에서 이미지를 예측에서 82

7 %로 정확했다 검증 세트입니다 이것은 이전에 게시 된 결과보다 12 % 더, 시스템은 또한 4 % 431 %의 평균치 정밀 (MAP)를보다 효율적 AutoML으로, 구글은 다른 알고리즘의 개발을 분석 알고리즘을 구축하고있다 성공하고있는이되지 않는 방법을 배울 수 있습니다

이 기계 학습, 인공 지능 연구에 중요한 경향은, 배우고 학습처럼 또는 메타 학습 우리는 컴퓨터 알고리즘을 발명하는 미래를 입력 빨리 우리가 할 수있는 것보다 문제를 해결하기 위해, 인류는 점점 더 제거 될 것입니다 전체 과정에서 AI 건물 AI : 자율 및 적응 시스템 대 매개 변수를 프로그래밍 문제는 지분은 우리가 인공 지능을 부여 얼마나 많은 자유입니다 그하여 나는이 의미 : 기술 의제를 밀어 그 AI는 질적으로 다른 것을 자랑 과거의 기계, AI는 생각할 수있는 의미, 자율적이고 적응력이 있기 때문에 자체, 그 실수로부터 배우고 그에 따라 동작을 변경합니다 우리가 잃을 때문에, 훨씬 더 위험한 AI가 더 강력한 동시에한다 이 역할을 예측할 수있는 능력

그것은 우리가 그 가정을 기반으로 이해 해달라고 방법으로 자신의 알고리즘을 쓰기 시작 자기 교정 능력, 그리고 곧 우리는 무엇을 할 것인지 알 수있는 방법이 없습니다 자, 이러한 경우 자율적이고 적응력 AI 아이 AI를 만들 수있는 여지가 주어집니다 이는 같은 매개 변수가? 인류는 한 단계에서 제거 생성한다 예, 우리는 특정 매개 변수 내에서 어린이의 AI를 설계하는 최초의 AI를 프로그래밍 할 수 있지만, 우리는 궁극적으로 주어진, 그 과정을 제어하고 전승되지 않은 편견을 보장 할 수 있습니다 우리가 처음에 AI를 프로그래밍하는 것이 더 인간과 같은 수와 그 실수로부터 배울? 그의 기사 미국과 글로벌 인공 지능 팔 경주에서 Ulson 군나르 글 : OpenAIS를 박사 다리오 Amodei 연구는 기계 학습으로 실시한 지적 것 종종 AI에 의해 개발 의도하지 않은 솔루션 결과 그와 다른 연구자는 지적이 AI 시스템의 종종 의사 결정 과정 완전히 이해하고 많은 결과가 종종 예측하기 어려운되지 않습니다 위험은 실험실에서 첫 훈련 AI 플랫폼에서 필요하지 거짓말을 한 후 해제 공공 도로에 또는 일정과 함께 전투에, 공장 바닥에 시스템을 훈련 그리고, 그러나 자율 AI 시스템의 예측 능력은 용량이 출시되고 학습하고, 예측할 수없는 바람직하지 않은 잠재적으로 위험한 방법으로 적응을 계속합니다

박사 캐슬린 피셔는 자율적, 자기 적응 사이버을 지적,이 문제를 반복 것 무기는 잠재적으로 예측할 수없는 부수적 인 피해를 만들 수 있습니다 피셔 박사는 인간이 AI 에이전트 방어 할 수 없을 것이라고 지적한다 핼 9000, 2001 년부터 악한 컴퓨터 / 기계 : 스페이스 오디세이 AI 건물 AI : 우리는 이제까지 100 % 우리는 AI으로부터 보호 확신 할 수 있습니까? 지혜와 친절없이 전원 및 강도는 위험한 일이며, 정확히 이잖아 우리가 AI로 만들 수 있습니다 그 자질 의식을 가지고에서 봄 이후로 우리는 지금, 그것은 현명 친절을 가르쳐 캔트 감정과 공감

한편, 우리가 할 수있는 최선은 그러나이있다, 아주 꽉 윤리적 매개 변수가있다 여기 보장하지 않습니다 보통 사람은 AI가 동작을 제한하기 위해 만들어졌습니다 어떤 코드를 알 수있는 방법이 있습니다 세상의 모든 AI 프로그래머는 적절한 윤리적 한계를 확인하고 싶어해도, 어떤 사람이 있다면, 어딘가 실수를? 무엇 AutoML 사회 이해의 측면에서 유지하지 못할 정도로 빠르게 시스템을 작성하는 경우 그들을 규제? NASNet 쉽게 인해 우수한 자동화 된 감시 시스템에 사용될 수있다 물체 인식 당신은 NWO 컨트롤러가 자신에 대해 AI를 배포 한 순간도 주저 것이라고 생각하십니까 자신의 능력을 보호하고 반대를 파괴하기 위해 공개? 구글의 AI는 인간 기사에 의해 만들어 상관 안심을 시도보다 성능이 뛰어남 그것의 자신의 AI를 내장 결론 우리와 함께 : 다행히, 세계 지도자는 이어질 그나마 이러한 시스템을 보장하기 위해 빠른 작업 디스토피아 미래의 일종 아마존, 페이스 북, 애플, 여러 다른 AI에 파트너십의 모든 구성원이다 혜택 사람과 사회, 조직에서의 책임있는 개발에 초점을 맞추고 일체 포함

전기 전자 공학회 (IEE)의 윤리 기준을 제안했다 AI 및 DeepMind, 최근 구글의 모회사 알파벳 소유 한 연구 회사 그룹의 생성이 AI의 도덕적, 윤리적 의미에 초점을 발표했다 다양한 정부는 또한 위험한 목적을 위해 AI의 사용을 방지하기 위해 규정에 노력하고 있습니다 이러한 자율 무기, 그리고 너무 오래 인간이 전반적인 방향의 통제를 유지로 AI 개발, 인공 지능을 구축 할 수있는 AI를 갖는 이점은 훨씬 능가한다 잠재적 인 함정 그러나, 나는 아무것도하지만 안심입니다 우리는 우리가 원하는 모든 윤리위원회를 설정할 수 있습니다 사실은 지금까지 자신에게 100 %를 보호하기 위해 이론적으로 불가능하다 남아 AI에서

Superintelligent AI를 포함하는 문서 불가능은 설명 이론적으로 : 현재 Universidad Autnoma 마드리드 연구원에서 새로운 작업 등에 따라 물론 스페인, 미국, 호주에서 다른 학교로, 한 번 AI 슈퍼 지능형된다 그것을 포함하는 것은 불가능 할 것이다 음, 연구자들은 ArXiv 프리 프레스에 게시 된 자신의 논문에서 계산할 수없는 단어를 사용 이론적 컴퓨터 과학의 세계에서 아마도 훨씬 더 욕하고있다 서버 문제의 핵심은 어떤 것을 보유 앨런 튜링 (Alan Turing)에 의해 고안 중단 문제입니다 알고리즘은 올바르게 다른 알고리즘 영원히 여부 실행 여부를 예측할 수있다 결국 haltthat이며, 실행이 중지됩니다 존재의 다른 모든 프로그램을 포함하는 프로그램으로 superintelligent AI를 상상해보십시오 연구진은 이러한 AI가 다음, 포함 할 수 있다면하는 것이 논리적 인 증거를 제공 정지 문제는 정의에 의해 해결 될 것입니다

이미 AI가, 인수가 youd가 먼저 시뮬레이션해야한다는 것을 포함하지만,하려면 다른 모든 것들을 시뮬레이션하고, 그래서 우리는 역설에 도착 [인공 지능]를 못해 지금까지 인간에게 해를 입힐 수 있는지 확인하는 것이 가능하지 않을 것입니다 한편, 너무 많은 유혹과 이익, 편리 성 및 제어의 약속가 나타납니다 인류 느리게합니다 AI는 모든 인수 시작합니다 페이스 북은 골치 아픈 또는 자살에 대한 사용자의 게시물을 검색하여 새로운 AI를 배치 의견과는 경찰에게보고합니다! 이 문서 상태 : 페이스 북은 이상 백 웰빙를 수행하는 경찰을 요청했습니다 인정 사람에 확인합니다

지난 달 동안 weve를 100 개 이상의 건강 검사에 대한 초동 조치와 함께 일 보고서를 기반으로 우리는 우리의 사전 감지 노력을 통해 받았다 이것은 우리가 페이스 북의 사회에서 사람들로부터받은 보고서에 추가됩니다 마지막 생각들 AI 건물 AI, 우리는 우리가 미래에 앞으로 또 다른 중요한 단계를 복용 전원이 우리의 손에서 흐르도록 이 AI의 진화의 또 다른 분수령이다 어떤 일이 일어날?

Google Cloud Next Amsterdam ’17: “Building a custom chatbot with API.AI and Cloud Functions”

미키 엘 VANTHOOR : 안녕하세요, 모두들 그것은 어떻게하려고? 좋은 점심을했다? 그래서 좋은 샌드위치, 좋은 커피, 좋은 음료? 모든 세트는 멋진 구글의 시간의 또 다른 몇 이동 클라우드 기술

그래서 오늘, 내 세션에서, 나는거야 APIAI와 사용자 정의 chatbot 구축에 대해 얘기하는 및 클라우드 기능 그래서 이제까지 전에 chatbot를 구축하고 누구? 승인 누가 다음에 하나를 구축 할 계획이다의 12 개월 가정 해 봅시다? 아 물론, chatbot이 지금 조금에게 과대 광고입니다

그래서 나는 우리가 그것을 통해 이동이 큰 방을 한 것으로 매우 기쁘다 함께 우리와 함께 그래서 내 이름은 미키 엘 Vanthoor이다 나는 구글의 고객 엔지니어 해요 구글 암스테르담에 본사를 둔 그리고이 세션에서, 우리는 세 가지 things–를 다룰 것입니다 첫 번째는 기본적인 빌딩 블록이다 chatbot를 구축 두 번째는 데모입니다 이 빌딩 블록이 실제로 어떻게 작동하는지

그래서 이것은 나를 위해 흥미로운 부분이 될 것입니다 그리고 희망도 함께 당신과 함께, 우리는 몇 가지 프로토 타입을 가질 수 있습니다 세션의 말 ING에서 그리고, 적어도 마지막하지만, 팀 다니엘스 그들은 지난 6 개월 동안 내장 한 내용을 공유합니다 또한 수업은 길을 따라 배웠다 그러나, 첫째, 어쩌면 다시 걸음을하는 것이 좋습니다 오늘 아침 기조에 있던 사람들이 그래서 이미 우리의 임무를 들었다 statement– "세계의 정보를 구성하려면 그것은 보편적 접근하고 유용하게

" 당신이 그것에 대해 생각한다면,이 또한 우리는 Google 클라우드를 위해 무슨 일을하고 있습니다 그래서 우리는 귀하의 비즈니스 정보를 조직하고 당신이 원하는 정보를 확인 공유가 편리하게 이용할 수 이해 관계자, 고객, 파트너에 대한, 또한 직원 어떻게 그것에 대해 어쩌면 흥미로운 우리는 도구를 많이 개발되어 정보를 정리합니다 우리는 빅 데이터를 적용했다 우리는 기계 학습에 찾고 있습니다

하지만 난에 초점을 맞출 부분은 보편적를하고있다 얻기 쉬운 이뿐만 아니라 전 세계가 액세스 할 수 있도록 의미 낮은 대기 시간과 높은 가용성, 뿐만 아니라 실제로 어떻게 사람들을 언급한다 정보와 상호 작용합니다 우리는 많은 변화를 볼 경우 그리고 그건 지난 몇 년 동안 일어나고 그래서 전통적으로, 사람들은 기술에 적응했다 대처합니다 그래서 사람들은 키보드와 함께 작동하는 법을 배워야했다

사람들은 그런 마우스, 물건 일을 배워야했다 당신은 사람들 또한 타자기로 돌아갈 수 있습니다 입력 작업을 배워야했다 및 작성 여부 speaking– 사람들의 자연적인 방법으로 의사 소통을합니다 물론 2008 년의 주위에 있었다 이 거대한 터치 스크린이 스마트 폰하는 당신은 실제로 당신의 fingers–을 사용하는 제스처를 사용하도록 설정하면 당신이 everyday– 사용 이러한 도구를 알고 주변 세계와 상호 작용하는, 또한 다시 기술에서 무언가를 얻을 수 있습니다 그리고 지금, 제 3의 물결은 우리는이 진화를보고있는 인공 지능 [들리지] 우리가 정말 컴퓨터로 대화 할 수 있도록이다 같은 우리가 할 그래서 인간이 기술에 적응하지 않아도, 하지만 기술은 인간에게 조정할 수 있습니다

우리가 일반적으로하는 것처럼 그래서 우리는 단지 말할 수 있습니다 우리는 보통 작성 문장처럼 쓸 수 있습니다 다시 기술에서 무언가를 얻을 수 있습니다 chatbot이이 맞지 곳이 분명하다 기계 학습 및 컴퓨팅의 발전을 통해, 우리는 우리가 무엇을 매우 확신 어디 단계에서 지금 이 기술은 할 수 있습니다 당신은 활동을 많이 볼 그리고 그 이유도 있어요 이 주제에

그래서 그것은 조금 더 구체적 만들어 보자 및 기본 아키텍처 봐 이 아키텍처는 음성 모두입니다 chatbots– 그래서 당신은 아마존 알렉사처럼, 그들에게 말을, 마이크로 소프트 마이크로 소프트 코타나, 또는, 물론, 구글 Home– 또한 textbots 사용할 수 있습니다 그래서 만약 당신이 당신의 웹 사이트에 통합 또는 모바일 응용 프로그램에서 동일한 기본 아키텍처를 사용할 수 있습니다 그래서 첫 번째는 사용자 인터페이스입니다 그런 다음 우리는 대화 형 에이전트 플랫폼을 가지고있다

그리고 그것을 채우기 위해, 우리는 성취 측면이있다 그래서 우리는 그들을 하나 하나를 이동합니다 그리고 나중에 나는 또한 그들이 작동하는 방법을 보여줍니다 그래서이 interface– 사용자가 위치를 사용자 상호 작용입니다 당신의 로봇과 함께 그것은 당신의 chatbot에 연결할 곳이다

물론, 구글, 우리는 생각하고 싶어요 사람들이 정보를 찾고 있다면 것으로, 그들이 이동하기위한 자연스러운 방법은 구글이다 그래서 우리는 우리의 구글 지원에 많은 투자를하고있다 그것은 우리의 Google 홈 디바이스에 구글 폰에서 사용할 수, 뿐만 아니라 당신의 차에 smartwatches에, 그래서 당신은 구글과 직접 연락 할 수 있습니다 또한 구글 도우미로 자신의 chatbot를 연결할 수 있습니다 그래서 당신은, 구글, OK, 같은 것을 말할 수 있습니다 내 chatbot 얘기하자

그리고 당신은 당신이 방금 구축 한 chatbot로 라우팅 얻을 것이다 물론, 우리는 또한 알고있는 모든 사용자가 구글에 모든 시간입니다 그리고 그들은 다른 플랫폼도 있습니다 그래서 우리는 또한 네이티브 통합을 제공합니다 그래서 멋대로 생각, 페이스 북 메신저, 시스코 스파크, 또한 마이크로 소프트 마이크로 소프트 코타나, 또는 아마존 알렉사

그리고 적어도 셋째, 그러나, 우리는 또한 그래서 사용할 수있는 소프트웨어 개발 키트를 갖고 싶어 당신은 또한 당신의 모바일 애플리케이션에 통합 할 수있는, 당신의 웹 사이트, 당신은 할 수 있도록 사용자가 얻고 싶은 방법에 대한 유연성 당신의 chatbot과 연락한다 두 번째 빌딩 블록은 대화 형 에이전트 플랫폼입니다 그리고 그의 작업은 매우 간단하지만 또한 매우 복잡하다 그는 인간을 이해한다 그래서 그는 같은 것을 이해한다, 나는 베이컨과 cheese–와 피자를 얻을 수 있습니다 큰 one– 있는지 확인하고 오, 약간의 올리브를 추가, 표준 crust– 바로이 인간의 way– 사람들이 의사 소통을 구조화 way–

그래서 우리는, 물론 개발자로, 우리 멋진, 구조화 된 JSON 형식을 갖고 싶어 우리는 어디에 따라 행동 할 수 있으며 우리에게 멋진 응용 프로그램을 수행 할 수 있습니다 그러나 불행하게도, 대부분의 사람들이 우리에게 얘기를하지 않는 방법입니다 그리고 우리가이 대화 형 에이전트를 찾을 필요가 어디 플랫폼 그리고 이것은 APIAI이 바로 이러한 작업을 수행하는 것입니다

APIAI 우리가 1 년 미만 전에 인수 한 회사였다 그리고 그것은 chatbot이 건물의 상단에 사용되는 플랫폼 중 하나입니다 그냥 빨리 poll– 얼마나 많은 사람들이 APIAI을 잘 알고있는? 그래서 나는이 반갑

생각 그것은 공간의 약 30 % ~ 40 %는 이미 알고있다 나는 1 년 이내에이 질문을한다면 나는 생각한다 심지어 선율 될 것입니다 특히 내 세션에 많은 관심을 지불합니다 승인 그래서 우리는 두 개의 빌딩 블록을 살펴 보았다

이제 성취 측면 한 번 그래서 우리는 사용자가 실제로 원하는 것을 알아 냈어요 우리는 또한 일어날 수 있도록해야합니다 그리고 이것은 성취 측면에 발생합니다 이것은 당신의 백 엔드입니다 당신이 당신의 응용 프로그램을 작성하는 곳이다, 당신의 오늘을 수행하는 데 사용처럼

그러나, 또한,이 구글 클라우드 플랫폼에서, 우리가 조사하는 아주 흥미로운 옵션이 있습니다 그래서 당신이 할 수있는 첫번째 일은 당신이 구축 할 수있다 자신의 가상 머신 당신은 당신의 자신의 네트워크를 구축 할 수 있습니다 당신은 당신의 자신의 방화벽을 설정할 수 있습니다 그리고 당신은 정말 처음부터 응용 프로그램을 구축 할 수 있습니다, 구성을 완벽하게 제어 할 필요 하고 제어 할 수 있습니다

당신이 할 수있는 다음 일은 당신이 조금 더 이동할 수있다 작업의 더 민첩 방법을 싫어 관리자로 당신은 의존성이 이미 컨테이너를 사용할 수 있습니다 결론을 내렸다 그리고 당신은 구글 컨테이너처럼 관리 버전에서 실행할 수 있습니다 엔진 그래서이 서버와 컨테이너입니다 그러나, 물론, 당신은 그것을 추상적 수도 있습니다 조금 더 더 만 응용 프로그램 코드에 집중한다

그런 다음 서비스로 플랫폼을 사용합니다 그리고이 앱 엔진이 될 수있다, 우리는 가지고있다 예를 들어, Snapchat에서이 앱 엔진을 사용하고 있습니다 모든 고객을위한 전 세계적으로 사용할 수 전 세계에 걸쳐 제공하지 않고 가상 머신 프로비저닝 네트워크 만 집중 핵심 응용 프로그램에 그리고 가장 추상적 인 것은 우리가 지금이 실제로 클라우드 기능입니다 그래서 당신은 응용 프로그램 수준에 초점을하지 않습니다, 하지만 당신은 기능 수준에 초점을 맞 춥니 다

그리고 거기에에서, 당신은 당신이 가고 싶은 얼마나 멀리 항해 할 수 있습니다 그래서 더 오른쪽으로 이동, 더없이 작전, 당신은 더 당신이 왼쪽으로 이동, 더 제어 및 구성 옵션을 사용할 수 있습니다 클라우드 기능 영역의 앱 엔진 우리는 서버없는 영역을 부르는 것이다 이것은 가능한 서버가 없음을 의미하지 않는다

그들은 당신을 위해 멀리 추상화하고 있습니다 그리고 당신은 그들에 대해 걱정할 필요가 없습니다 당신은 코드에 집중할 수 있습니다 스케일링은 자동으로 올 것이다 당신은 하나 개의 요청 또는 백만 요청이있는 경우 그래서, 당신은 상관하지 않습니다

그냥 작동합니다 또한, 당신은 사용한만큼만 비용을 지불하면됩니다 그래서 이것은 매우 쉽게 시작 할 수 있습니다 그것으로, 그것으로 재생합니다 그것은 성공이 있다면, 당신은 그냥 갈 수 있습니다 같은 이야기를 우리는 필립스 U에서했다 기조 연설에 앞서 오늘

그래서 우리는 클라우드 기능을 볼 때, 특히, 그들은 매우 완벽한 위치입니다 이벤트 지향 아키텍처 이 배경 기능이 될 수 있습니다 따라서, 예를 들어, Google 클라우드 스토리지에 파일을 업로드하는 경우, 당신은 기능을 트리거 할 수 있습니다 그리고 당신은, 예를 들어, 일부 메타 데이터를 얻을 수 있습니다 이러한 좋은 기계 학습 중 하나를 사용할 수 있습니다 API는 비디오에 대한 몇 가지 메타 데이터를 얻을, 또는 사진 약, 그래서 당신은 그것을 실행할 수 있습니다

당신은 저장에 첨부 할 수 있습니다 이것은 또한 Google 클라우드 팝 / 서브 사용할 수 있습니다 또한 중포 기지 통합과 함께 당신이 할 수있는 다른 것은 당신이 HTTP 기능을 할 수있다 그리고 당신은 웹 후크로 사용할 수 있습니다 그러면 쉽게 시작을 통합하고 같은 종류의 사용할 수 있습니다 다른 APIs–을위한 접착제의 같은, 예를 들어, G 스위트 API를뿐만 아니라 API

AI와 그리고 이것은 물론, 완벽하게 맞지는 일어나고있는 곳입니다 그래서이 기본 아키텍처이다 모두 세 개의 빌딩 블록 분명인가? 신난다 그래서 지금은 데모에 그들을 이동합니다

나는 처음부터 구글 웹 스토어를 구축하려고합니다 그래서 나와 함께 곰 우리는 함께이로 이동합니다 그리고 우리는 우리가 결국 무엇을 볼 수 있습니다 내가 사용하게 될 일들이 API

AI입니다 대화 형 에이전트 플랫폼으로 성취면, 우리는 클라우드 기능을 사용합니다 그리고, 사용자 인터페이스, 우리 이 여유와 상호 작용하는 방법을 볼 수 있습니다 그리고 그에서 작동하는 방법, 희망 10 분에서 그럼 가야하겠습니다 [딩딩] 승인

나와 함께 곰 그래서 당신은 지금 볼 수있는 것은 APIAI 인터페이스입니다 왼쪽에, 당신은 당신의 구성 옵션이 있습니다 그리고 오른쪽에 직접 수 그것을 테스트하고 chatbot과 상호 작용 시작 당신은 구축하고 있습니다

APIAI에서 매우 중요한 두 가지 개념이있다 알고 있어야합니다 첫 번째는 의도입니다 두 번째 사람은 엔티티입니다 텐트는 사람, 사용자가 실행하고자하는 작업입니다

그리고 실체는 사용자가에 따라 행동 할 개체입니다 그래서, 내 예제에서,이 Google 웹 상점을 만들고 싶어 그래서 제품 엔티티를 만들려고하고 있습니다 내가 판매하는거야, 희망, 일부 Google 픽셀 폰 그리고 당신은 당신이 동의어를 추가 할 수있는 옵션을 가지고 참조하십시오

사람들은 같은 객체에 대해 서로 다른 단어를 사용하기 때문에 그래서 나는 또한 픽셀을 추가합니다 또한, [들리지] 구글 픽셀을 추가합니다 화소뿐만 아니라 우리가 판매 할 다음 일은, 어쩌면, 구글 Home–입니다 구글 주택 그리고 사람들은 그냥 집 때로는 전화 그리고 주택

우리는 Chromecast–이 Chromecast가 그리고 마지막으로,하지만의 Chromebook– 크롬 북 그리고 이제 우리는 우리 자신의 실체를 만들었습니다 다음으로 할 일은은 제 의도를 만들 수 있습니다 그리고 당신이 개 의도, 기본 자리에 이미 있습니다 참조하십시오

그래서 첫 번째는 환영 의도이다 사용자가 시작할 때 이것은 시작됩니다 당신의 chatbot와 상호 작용할 수 있습니다 그리고 두 번째는 대체 의도이다 APIAI는 의도를 알아낼 수없는 경우에는 대체의 그것은 올바른 방향에 사용자를 안내합니다 에 의해 어쩌면 문장을 반복하도록 요청

그럼 환영 내용을 살펴 보자 그리고 당신은 무언가를 같이, 사용자가 인사 또는 안부 말할 수 있습니다 그리고 당신은 응답 할 수 있습니다 그리고 당신은이 멋진 이벤트에 오신 것을 환영합니다 헤이, 같은 것을 말한다 당신은 무엇 구글 제품을 원하는가? 우리는 그것을 저장합니다

그리고 지금 우리는 일반적으로 직접 테스트 할 수 있습니다 그래서 우리는 안녕 말할 수있다 당신은 기본 환영 의도가 시작됩니다 참조하십시오 그리고 응답은, 안녕하세요,이 멋진 이벤트에 오신 것을 환영합니다 당신은 무엇 구글 제품을 원하는가? 그래서, 물론, 우리는 또한 우리 자신의 의도를 만들고 싶어

그리고 당신은 웹 상점을 실행하는 경우, 우리는 실제로 사람들이 무언가를 살 것이다 것으로 기대하고있다 그래서 우리는 구매 제품이라는 의도를 만들 수 있습니다 그리고 사용자는,이 봐, 뭔가를 말할 수 내가 다섯 크롬 북, 또는 같은 아마 뭔가 살 수있는, 나는 세 Chromecast가, 나 같은 아마 뭔가 얻을 수있는, 당신은 내게 구 개 구글 주택을 제공 할 수 있습니다 그리고 당신이 일어나고 참조하면 해당 APIAI입니다 기계 학습 및 자연 언어 처리를 사용 장소에있는 실체 파악합니다

그래서 Google 홈은, 아, 거기 알아내는 것 크롬 북이있다, Chromecast가있다 이것은 실제로 우리가 만든 제품 엔티티입니다 그 옆에, 또한 수를 알아내는 것 그래서 우리는 반드시 같은 말뿐만 아니라 응답을 제공 할 수 있습니다 그리고 우리는 사용자가 말씀을 참조하는 매개 변수를 사용할 수 있습니다

그래서 우리는 제품의 수, 장치, 같은 말할 수있다 그들의 방법에 있습니다 우리는 그것을 저장합니다 그리고 우리는 직접 플레이를 시작할 수 있습니다 그래서 우리는 hey– 말 OK, 환영 의도가 시작됩니다 의 뭔가를 구입하려고 보자

나는 네 구글 픽셀을하시기 바랍니다 구입할 수 있습니다 그리고 당신은 무엇을보고, 참으로, 그것은 알아내는 것 구매 의도 우리는 단지 만들었습니다 이 매개 변수를 알아내는 것, 수, 와 제품 그리고 그것은 우리가 바라고 정답을 시작합니다 그럼이 조금 더 재미있게 만들어 보자 어쩌면 납기를 추가합니다

우리는 날짜를 호출합니다 그리고 당신이 참조 APIAI 엔티티 유형을 많이 가지고 있다는 것입니다 이미있다 그래서 당신은 날짜가 있습니다 당신은 지리적 위치를 가지고있다

당신은 시간대,이 모든 것들을 가지고있다 그리고 지금에 관심이 있어요 하나는 날짜 엔티티입니다 우리가 할 수있는 다음 일은 우리가 할 수있는 것입니다 의도에 필요한 이러한 매개 변수를 완료 할 수 있습니다 그래서 우리는 구매 의도는 완료 말할 수 당신은 제품의 수, 실제 제품이있는 경우, 또한 납기 그래서 우리는 필요합니다

그리고 우리는 또한 사용자에게 메시지를 표시 할 수 있습니다 그는 충분한 정보를 제공하지 않는 경우, 우리는, 물론, 같은 메시지를 표시 할 수 있습니다 때 제품의 장치 전달 하시겠습니까? 우리는뿐만 아니라 응답을 추가 할 수 있습니다 그들은 날짜에 배달됩니다 물론, 우리는 우리가 무엇을하고 있는지 저장합니다 그리고 이제 다시 시도 할 수 있습니다

흥미로운 또한 주는거, 당신이 알 수있는 그래서 구글 주택과 모델 훈련, Chromecast를, 크롬 북 그리고 내 예제에서 나는 구글 픽셀을 사용했다 그래서 OK, 난 알아낼 수있을만큼 분명 똑똑 이 엔티티를 기대 당신은 그에게 모든 것을 제공 할 필요가 없습니다

이 단체의 이러한 종류의 힘 또한 지금은 또 다른 개체를 추가 할 수 있습니다 그리고 그것은 또한 모든 훈련을 고려하겠습니다 것을이하고있어 그래서 내가 세 Chromecast를 구입하실 수 있습니다해서 돌출 작성할 수? 승인 난 그냥이기 때문에 그래서 먼저 sight–에서 참조 이 그것이 아니었다 model– 훈련 시작 그것을 알아낼 수

그것은 나 한테 물어 그래서 제품은 무엇인가? 가 전달되어야 할 때 그리고 지금은, 나 한테 물어 보는거야? 그리고 우리는 다음 주 월요일 같은 것을 말할 수 있습니다 그리고 당신은 무엇을 here–보고있다 나는 그것이 매우 cool– 생각 시스템이 알아낼 수 있다는 것이다 OK, 의도는 제품을 구입합니다 수와 제품이있다 그리고 날짜는 개발자가 좋아하는 우리 같은 정확한 날짜이며, 당신은 알아? 우리는 사용자로, 우리는 단지 내일 또는 다음 주에하고 싶은 말 월요일 우리는 인간의 방식으로 행동하고 싶습니다

우리는 기술에 적응하지 않습니다 이것은 내가 이전에 데려 된 지점이다 그래서, 정말 멋진 여부? 승인 우리가 지금 그렇게 do– 수있는 또 다른 것은 그것이 어떻게 작동하는지, 당신에게 대화 형 에이전트 플랫폼을 보였다 그러나 우리는이 이행 측면을 갖고 싶어, 이 후단 측

그래서 사람들은 실제로 뭔가를 구입하는 경우, 당신은 또한 당신의 ERP 시스템에 걷어차합니다 그리고 당신은 정말 뭔가 일이 벌어 시작하려면 당신의 백 엔드한다 그래서, 다른 의도를 만들려고하고 있음을 표시합니다 그리고 연결 의도의 방법입니다 컨텍스트라는 또 다른 중요한 개념 그래서 만약 사람들이 뭔가를 구입, 그들은 또한 다른 무언가를 할 수있는 기회가있다

최종 사용자가 제품을 구입 한 후 그래서 우리는 주는거 그는 흐름의 일종이다 그리고 우리는이 구매 모드를 호출 할 수 있습니다 우리가 다음 할 수있는 것은 우리가 다른 의도를 만들 수 있습니다 또 다른 추가 우리는 호출합니다 그리고 우리는 여기에, 또한 모드를 구입 입력 문맥을 삽입 할 수 있습니다

그래서 시스템은 그들이 좋아하는 경우에 무언가를 원하는 것을 알고, 사용자는 거기에 뭔가를 구입했습니다 그들은 또한 추가 또 다른 의도를 출시한다고 큰 기회 그리고 사용자가 뭔가 같은, 또 다른 추가 말할 수있는, 또는, 다른 하나하시기 바랍니다 우리는 그것을 저장합니다 그리고이 시간 우리는 APIAI에 응답을 넣어 않을거야 하지만 우리는 웹 후크를 사용하려고하고, 이행 측, 이전에 프레젠테이션의 세 번째 빌딩 블록

그래서 성취는 여기에 구성되어 있습니다 그것은 하나 개의 웹 후크입니다 그것은 구글 클라우드 플랫폼에서 내 프로젝트 이름입니다 그리고 성취라는 클라우드 기능입니다 지금이 보이는 방법을 보여줍니다 Google 클라우드 플랫폼에있다

그래서, 기본적으로, 그것은 OJS로 작성된 매우 짧은 기능입니다 그것은 APIAI에서 JSON의 몸을 점점 그리고 작업 필드를 찾을 것입니다 그리고 액션 필드가 다른 추가 같은 경우, 그것은 수량을 얻을 것이다 그것은 하나를 추가합니다

그리고, 여기 당신이 이동 같은 것을 응답 장치의 새 번호가 정렬됩니다 당신은 HTTP 헤더를 설정합니다 그리고 당신은 200의 상태를 설정합니다 당신은 다시 응답을 보냈습니다 그리고 API

AI는 거기에서 걸릴 수 있습니다 그래서 지금 나는 확실히 또한 작업 현장 만들고 싶어 그래서이 분야 실제로 어디에 내 클라우드 기능 찾고있다 그래서이되어야합니다 그리고 우리는 다시 정상적으로 그것을 밖으로 시도 할 수 있습니다

의 전체 흐름에 가자 승인 환영 나는 다섯 개 구글 픽셀을 주문할 수 있습니다, 우리가 시도 할 수 어쩌면 buy– 수 있습니까? 확실한 때 당신은 구글 픽셀 장치가 전달 하시겠습니까? 오늘, 물론

곧 그것은 배달됩니다 그리고 당신은, 다시, 지금 의도를 참조하십시오 APIAI는 의도를 파악했다 그것은 좋은 매개 변수를 파악되었다 최종 사용자로 저와 대화를하여

그리고 그것은 또한, 지금 모드를 구매의 문맥을주고있다 그래서 APIAI 헤이에서 지금 알고, 어쩌면이 다른 것은 무엇인가 인을 추가 지금 기대할 수있다 그래서 지금, 진실의 순간, 내 건물의 적어도 두 블록 함께 오는 그럼 다른를 추가 할 수 있습니다

그리고 여기 나아갈 여섯 개 장치가 정렬됩니다 꽤 멋진, 아니? [박수 HAND] 아 [박수 갈채] 나는이 데모 어쩌면 조금 바보, 의미한다 당신이 그것에 대해 생각한다면, 그냥, 나는 생각한다 10 분 미만, 우리는 완벽하게 확장을 할 수 있었다 chatbot 작업 물론, 여전히 개념의 증거입니다

하지만 이러한 응용 프로그램 종류에 대해 생각하기 시작하면, 당신은 정말 당신의 회사 내부에 구축 할 수 있습니다 당신의 파트너와, 최종 사용자와 상호 작용하는, 또한 예를 들어 직원과 당신은 정말 이미 앞으로 큰 단계를 만들 수 있습니다 그래서 나는 당신을 보여주고 싶은 마지막 일이 내 마지막 빌딩 블록이다 이것은 사용자 인터페이스했다 그래서 여기에 우리는 네이티브 통합을 사용할 수 있습니다

우리는 또한 소프트웨어 개발 키트에 대한 링크가 있습니다 Google–에 대한 작업은 당신이 것이라고 믿는다 이 일하게 될 것이라는 점을 알고있다 그래서 나는 오늘 당신의 여유를 보여주고 싶어요 날이 켜져 있는지 확인해 보자 그리고 우리는 여유 시간에 내 API

AI 봇로 이동합니다 그리고 우리는 기본적으로 hey– 말 문밖의 항상 작동하는 IT에 한 일을 할 수 있습니다 물론, 다시 전원을 껐다가 켜서 승인 또한 물론, 여유 시간에 그것을 비난 할 수 있습니다

아니 아니 여보세요? [웃음] 아 이 멋진 이벤트에 오신 것을 환영합니다 당신은 무엇 구글 제품을 원하는가? 아

이제 우리는 얘기 이 사람은 아직 완전히 잘 훈련되지 않습니다 우리는이 크롬 북으로 볼 수 있습니다 대상 : [들리지] 미키 엘 VANTHOOR : 아 승인

That's– 좋습니다 아, 지금은 알고있다 나는 오른쪽 훈련 안녕 난 단지했다 생각? 나는이 의도를 사용하던 때, 나는이 환영을 만들고 있었다 intent– 당신의 information–에 대한 난 단지 안녕하세요 안녕하세요 말에 훈련 그리고 난 지금, 안녕 말하고 있었다? 승인 나는 자본 안녕하세요 말하고 있었다

당신이 훈련 할 곳 그래서입니다 이 모델은 자동으로 훈련한다 그래서 당신은 무엇을 할 것인지, 또한, 어쩌면 ING이 건드릴 것입니다 이것은 물론, 기계 학습이다 그래서 때마다 배운다 그래서 당신은 그것을 훈련해야합니다

그래서 당신은 안녕처럼 말할 수있다 이 기본 환영 의도를 시작한다 그래서 당신은 그 승인 그리고 시스템은 배우고있다 그리고 당신은 당신의 제품이 더 나은 만들고있어

그것은 약간의 시간이 걸리는 곳 그래서입니다 그것은 나를 위해 조금 까다로운 곳 그리고 그건 10 분 알아낼 수 있습니다 그러나 우리는 거기에 도착합니다 나는 3 개 구글 주택을 사고 싶은데요 오늘

다른를 추가합니다 누가 실제로 좋은 Google 홈은 집에있다? 승인 그래서 한 가지, 당신이 하나가되면 같이, 당신은 모든 객실에서 하나를 갖고 싶어 이 같은 말에 익숙해 시작하기 때문에, 내 불을 켜고 내 불을 끄십시오 또 다른 하나는 아마도 좋은 의도 당신이 왜 그래서입니다 갖고 싶어

그리고 여기 나아갈 4 개 개의 디바이스가 정렬됩니다 [박수 갈채] 그래서 당신이 이동합니다 나는이 당신을 위해 흥미로웠다 바랍니다 아시다시피,이 데모는 무대에서 라이브를 할 항상 까다로운 하지만 무슨 짓을했는지, 나는이 빌딩 블록을 통해 갔다

나는 대화 형 에이전트 플랫폼을 시작, 을 보여주는 어떻게 입력 구조화되지 않은 인간의 데이터를 수 그리고 클라우드로에 JSON으로 변환하고, 행동 기능 우리는 네이티브 통합과 여유를했다 그래서 개념의 매우 짧은 증명했다 나는 당신이 그것으로 재생을 시작 할 수 있기를 바랍니다 당신의 상사에게 보여 그리고 그것이 얼마나 멋진을 보여줍니다 하지만 실제 작업을 수행하려는 경우, 그것은 ING에서 팀 다니엘스을 듣고 흥미 롭군요

그리고 그들은 그들의 교훈을 공유합니다 [박수 갈채] TIM 다니엘스 : 미키 엘을 주셔서 감사합니다 그리고 여러분, 안녕하세요 내 이름은 팀이며, 참, 내가 일하고 있어요 ING에서 작지만 열정적 인 팀이다 그리고 우리는 적극적으로 은행에 대한 chatbot을 구축하고있다

그리고 나는 특히 미키 엘의 이야기에 대해 무엇을 좋아 우리가 느꼈던 최초의 흥분을 다시 가져이었다 우리는 APIAI을 사용하기 시작하면 이제 우리는 몇 달 후입니다 그리고 우리는 여전히 그것을 좋아한다 그러나 진화하고있다

그래서 여행의 일종이다 그리고 난 당신이 있었다는 – 걸릴 것입니다 이 여행에 따라 향후 15 minutes– 그러나 먼저 나는 몇 분을 보내고 싶습니다 이 ING, 기술 이러한 유형의 중요한 이유에 우리는 ING의 고향에있는 같은 그래서, 나는 가정 당신의 대부분이 ING 글로벌, 보편적 은행 것을 알고있다 그리고 그것은 고객의 경험에 엄청난 집중하고있다 지난 몇 년도에는 내부적으로 육성,의 말을하자 진정한 엔지니어링 문화

그리고 그 이유는 은행 있다는 것을 그들의 고객이 어디에 있어야합니다 그리고 더 많은, 우리의 고객들은 소셜 플랫폼에 있습니다 또는 다른 디지털 생태계에 그래서 ING위한 아주 자연스러운 일입니다 chatbot이 가능성을 탐구한다 그래서 여기에 그녀는 것입니다 그녀는 마리라고합니다

그리고 그녀는 우리가 디지털 보조를 부르는 그리고 그것은 우리가 발사 것을 약 6 개월 전입니다 맨 처음 APIAI 그리고 지금, 6 개월 후, 마리는 잘 제어 그룹에 대한 생산 고객과 ING 직원 그리고 그녀는 더 better–을 얻을 것이다으로 당신이 필요로하기 때문에 사용자는 그녀를 훈련합니다

그래서 우리는 입력 덕분에 그녀를 훈련 우리는 첫 번째 users–에서 얻을 우리는 점차 사람들의 그룹을 증가 그 Marie–에 액세스 할 수 희망, ING의 모든 고객은 그녀를 사용할 수있을 때까지 둘째, 그녀는 무엇을 할 수 있습니까? 그녀는 질문과 요청을 고객에게 도움이 될 수 있습니다 카드에 대한 그녀가 질문과 대답 봇 아니다 mistaken–하지 마십시오 그러나 그녀는 우리가 할 – 봇를 호출하고 싶은거야 그녀는 교체를 주문처럼 고객을위한 일을 카드 사용에 대한 카드를 활성화 해외 핀을 재설정하는 것은 때때로 발생하는 code– 밤 밖으로, 컨택 센터에서 직원으로 후 말해 알고있다

처음에, 우리는 꽤 많은 시간을 보냈습니다 마리의 정확한 범위는되어야 하는지를 결정합니다 그리고 지금, 매일, 우리는 우리가 그렇게 행복하다 당신의 로봇에 대한 명확한 범위를 가지고 있기 때문에 way– 에너지를 따라 당신에게 많은 에너지를 절약 할 수 당신은 온 다른 모든 측면을 포함해야합니다 괜찮은 chatbot으로 건물 어쩌면 왜 카드에 마지막으로 할 말은 우선, cards– 그것은 당신이 플라스틱이 유형 조각으로 무엇을 할 수 있는지에 관하여이다

그래서 사람들의 머리에, 자연 경계의 종류가있다 당신이 은행 카드에 대해 이야기 할 때 그것은 사람들이 분명 무엇 당신은 실제로에 대해 얘기하고 그리고 둘째, ING는 여전히 전화를 많이 얻고있다 자신의 카드와 함께 도움이 필요한 사람들, 기타 등등이 핀 카드를 리셋하고있다 우리는 사용자 인터페이스로 페이스 북 메신저에 대해 선택한 이유는 무엇입니까? 음, 단순히 인기 때문이다 당신이 미키 엘과 함께 보았 듯이, 그건 뿐만 아니라 다른 채널을 구축하는 것은 매우 쉽습니다

이제, 전에 내가 demo–을 나는 work– 희망하는 그리고 우리는 데모 후, 우리는 또한 peek– 할 것 그 때문에 APIAI를 열 것이다 우리 함께 마리의 뇌에 엿볼 수 있습니다 그리고 당신은 더 확장 된 봇의 말을하자, 참조 미키 엘의보다 내가 그렇게하기 전에, 나는 간단히 소개하고 싶습니다, 당신 마리의 전체 구조 그리고 당신이 볼 것은 그 사용자 interface–에 대한 그것은 간단했다

즉 하나 개의 구성 요소입니다 그것은 페이스 북 메신저입니다 그러나 대화 형 에이전트는 우리 것을 플랫폼 – 두 가지 구성 요소에 걸쳐 분할했다 우리 모두가 자연 언어를 수행 한편, APIAI에 처리

우리는 비즈니스 사람들이 원하기 때문에 그리고 그것은 우리에게 중요하다 마리가 무슨 말을 변경할 수 있습니다 그러므로, 우리는 모든 자연 언어를 갖고 싶어 세대 마리의 모든 응답도 한 곳이다 및 제 성분이있는 우리는 바로 중간에, 따라서 중개인을했다 그리고 그 구성 요소에 우리는 몇 가지 매우 구체적인 논리를 뒀다 우리를 위해 예를 들어, 우리는 은행에있다

고객이 교체 카드를 주문하는 경우, 우리는 우리가 고객을 인증 있는지 확인해야합니다 그리고 중개인 페이스 북 메신저 사이에 있기 때문에, APIAI, 그것은 대화의 어느 지점에서 시작하는 알고 인증 flow– 인증 우리는 일회용 패스워드를 통해 할 수있는 어떤 우리는 Twilio를 통해 보내 그런 다음, 휴대 전화, 고객 유형을에서, 마리에 제공하고, 사람이 인증됩니다 당신이 볼 수 있듯이, 우리는 구름에 완전히 있습니다

이 두꺼운 오렌지 라인 아래 그래서 모든 ING의 모든 백엔드 시스템은 IT의 역사를 30 년에서 지하실에 쌓여 그리고 위의 모든 구름입니다 이제 우리는 클라우드를했다 그리고 그 허용 된 이유 중 하나입니다 우리는 6 개월 만에 그것을 할 수 있습니다 이제 착각하지 않습니다

은행에서, 보안, 비밀, GDPR– 그것은 모든 중요합니다 그래서 우리는 우리의 보안 임원들과 매우 열심히 일 우리의 정보와 운영 리스크 관리자, 우리의 사기 전문가들은이 같은 보안이 있어야로 확인합니다 그래서 우리는 우리가 그들과 함께 있음을했다는 것을 기쁘게 생각합니다 그리고 그것은 잘 운동했다 화면에 세 가지 다른 구성 요소가있는 구글의 심리 분석 API이며, 우리는 감정의 추적을 유지하고 있기 때문에 대화의

대화가 너무 나쁜 얻는 경우에 때문에, 우리는 컨택 센터에 사람이 개입 할 따라서, 우리는 감정 개입 대시 보드를 가지고있다 그리고, 마지막으로,하지만 적어도, 마리 오늘 영어를 얘기하고있다 그리고 우리의 말을하자, 빨리 그녀를 만들기 위해 노력하겠습니다 수개 국어 벨기에 때문에, 당신은 적어도 세 languages– 필요 네, 심지어

그래서 우리는 거기에 몇 가지 실험을하고 있습니다 승인 지금은이 회사의 노트북이기 때문에 hope–하고있다 실제 백엔드와 데모 interaction– 나는 벌금을 해결하는 것입니다 바랍니다 [딩딩] 그래서 화면의 노트북을 가질 수있다? 아 승인

당신이 볼 그래서, 여기에 그녀는 것입니다 봇의 장점은 그녀가 나는처럼 긴장되지 않는 것입니다 그러나, 다행히 그녀는 아직도 날 기억합니다 안녕, 팀, 그녀는 말한다, 중요하다 개인화합니다 그리고 그 순간, 영어 만합니다

승인 지금은 내 카드를 사용하려면, 즉시 말할 것이다 abroad– 이는 내가 말했던 사용 사례 중 하나였다 그리고 재미있는 점은 그 분 이내 나는이 일회성 암호가 필요합니다 내가하지 않았다 때문에 나는 멀리 내 전화를 넣어했다 산만하고 싶다 그러나 나는 정신이되어야한다

승인 처음에, 우리는 텍스트를 사용하고 싶었다 그러나 빨리 우리가 배운 고객이 대화에 한 번, 이 그를 보관하십시오 그리고, 시각적 요소는, 같은 당신은 here– 참조 그것은 빠른 replies–라고 그것은 많은 도움이됩니다 이제 직불 카드는 더 흥미로운 경우는, 거기에 있기 때문에, 대상에 따라 달라집니다 카드의 요구가도 활성화 할 경우

로서 당신은뿐만 아니라, Marie– 참조 그녀의 responses– 아닌가요,의 평면, 가정 해 봅시다 약간의 재미 요소가 기쁨의 비트가 있습니다 것, 이는 bot– 무언가의 개성이다 당신에 대해 생각해야합니다 지금은 페루에 여행을하고 있습니다 그녀가 내 카드를 활성화 할 필요가있는 경우 그리고 그녀는 나에게 묻습니다 그리고 나는 그녀가 그렇게 할 필요가있다, 그래, 그녀를 말할 것이다

그리고 그녀는 핀 지금 나를 보내신 code– [NON 영어 SPEECH] 대상 : [들리지] TIM 다니엘스 : 예 네 사람들은 우리가 아직 해결해야 할 작은 것들입니다 때때로의이 대화가 모두 아직하지 않은 것을 가정 해 봅시다 표준까지 아하

그리고 지금 중요한 요소가되어, 이는, 예를 들어, 페이스 북 메신저에 좋다 이 회전 목마입니다 대신 고객 요구의 어떤 카드, 등등 마지막 자리하고 또는 무엇을, 우리는 사람이 가지고있는 카드를 보여줍니다 그리고 그것은 하나를 선택하기가 훨씬 쉬워집니다 지금은 화면을 조금 확대했다

그래서 here– 누락 추가 카드를 사용할 수가 있어야하기 때문이다 대상 : [들리지] TIM 다니엘스 : 그들은 거기에 그래서, 당신이 볼 수있는 카드에 대한 대부분의 정보 마스크되었습니다 이 보안상의 이유로입니다 또한, 아래의 텍스트에서, 당신은 것입니다 우리가하지 않기 때문에, 우리는 마스크를 적용한 것을 볼 페이스 북은 숫자를 알고 싶어 고객의 카드

그들은 카드를 가지고 것이라는 점을 알고있다 하지만 그 많은 정보 아니에요 그래서 단순히 마리에게이 일을 말할거야 그리고, 미키 엘처럼 이미 말했다 이것은 물론, 아주 훌륭합니다 대시, 당신이 그것에 대해 걱정할 필요가 없습니다 slashes–

자연 언어는 단지 있는지 확인합니다 당신이 얻을 당신이 할 필요가 어디에 짜잔 이제 마리 send–합니다 그녀는 지금 백 엔드에있는 사람들에게 알리는됩니다 그들은 뭔가를 할 필요가있다 그녀는 확인 메일을 보냈습니다 그리고 그것에 대해입니다

승인 이제 그녀의 뇌에 살펴보기로하자 그리고이 시점에서, 우리는 약 150 의도가있다 그래서 준비, 당신이 진짜 로봇을 만들려고 할 때, 의도을 많이 가지고 준비 우리는 약 10 본격적인 사용 사례가 있습니다

나는 의도의 절반이 그것에 대해 생각합니다 그리고 작은 talk– 같은 물건을 많이가있다 당신은 무엇을 입고? 어디 살고있다? 당신은 몇 살입니까? 상황이 사람들은 부탁드립니다 그리고 당신은 더 나은 그들은 그렇지 않으면, 그에게 대답을 그녀가하지 마리의 재미를 생각한다 협착의 대화를 유지하려면 우리는 모두 다 의도입니다 그리고 그것으로 가져온 하나의 사용에 신속하게 이동합니다

그래서 당신은 우리가 명명 규칙을 적용하는 것을 알 수있다 유스 케이스의 이름은 돌아오고있다 그리고 우리는 추적을 유지하고 있습니다 우리는 대화에 있습니다 그리고, 당신이 진짜로 그 일을하는 당신의 컨텍스트를 잘 얻을 필요가있다 그래서 의도와 실체는 매우 중요하다

하지만 당신은 더 진보 된 로봇에 효과가 없을 것 맥락없이 그래서 우리는 두 개의 컨텍스트, 전체 사용 사례 하나를 설정하는 그리고 두 번째는 확인합니다 그 질문에 대한 대답 마리는 시간에 그 시점에서 요구하고있다 그 대답은 정확하게 포착된다 그래서 그녀는 카드 유형에 대해 묻는 데요 그래서 나가는 상황에 맞는 카드 유형에 대해 다음이다 그리고 우리는 intent–이 이 신용 카드가 있다면, 당신은 이런 맥락 돌아 오는 것을 볼 입력 상황 등

상황은 매우 중요합니다 나는 시간에, 또한, 눈을 유지하고있다 그래서 멀티 의도 대화가 붙어 대화 논리 완전히 것을 의미 문맥에 의해 APIAI 내에서 구동 그래서 거기의 코딩

우리가 좋아하는 모든 구성입니다 시간이 limited– 때문에 지금은 will– 나는 클라우드 기능에 터치하지 않습니다 이것은 매우 다양한 주제입니다 그리고 우리는 그것에 대해 얘기를 주위에 그러나 그것에 대해 얘기하지 않는 것이 좋습니다입니다 보다 그것에 대해 너무 짧게 이야기합니다

지금은 마지막 부분을 입증 할 우리의 대화 대시 보드입니다 따라서, 나는 매우 무례 얻을 것이다 그래서 나는이 봇 terrible–이다, 말할 것이다 가끔하지만, 드물게, 어떤 생각합니다 그리고 일반적으로, 그녀는 조금 슬픈 것입니다 아

어떤 것– [BELLS] 워, 오 승인 우리의 컨택 센터 이제 사람 대화가 탈선 것을 통보했습니다 그리고 우리는했다 사람이 매우 중요하다 심지어 자동 conversation– conversation– 경우 그들이 떠날 것을 작동하지 않습니다 좋은 느낌 마리 그래서 우리는 대화로 단계 수 두 번째 중요한 역할은 우리의 인증에서 떨어져이다 이 중개인의

그래서 지금 당신은 여기에 전체 추적을 참조 페이스 북 메신저와 같은 conversation–의, 그것은 오랜 시간 동안 사용할 수 유지됩니다 그리고 여기 마리의 해제 할 수 있습니다 그리고 여기 컨택 센터에서, 하이 팀을 주는거 짜잔 그리고 일반적으로, 짜잔

그래서 인간 끝났다, 받아 이것은 매우 중요합니다 그렇다면 난 [박수 갈채] 정말 고맙습니다

그래서 지난 6 개월 가구 있구만을 요구하는 경우, 이 로봇을 개발하는 재미를 많이했다 주요 테이크 아웃은 무엇입니까? 그리고 나는 one– 말할 것 당신이 명확한 범위가 있는지 확인하십시오 그리고 많은 이해 관계자에 대해 그 방어 당신은 당신의 경로를 따라 얻을 것이다 당신이 컨텍스트의 개념을 마스터해야합니다 2가 있으며 그것은 사소하지만 매우 강력합니다

그리고 그것은 당신이 다 의도 대화를 할 수 있습니다 그런 다음, 세 번째 요소로, 성격에 대해 생각 당신의 봇 그것은 명시 적으로 확인합니다 우리는 마케팅과 함께 일했다 그리고 그것에 동의합니다

그리고, 네 번째 요소가 있는지 확인 다른 사람에게 가능한 한 빨리 봇 회담은 로봇을 구축하고 사람보다 때마다 우리가 그것을했기 때문에, 우리는 있었다 사람들의 창의성에 놀라 대답 1,000 다른 방법으로 간단한 일을 요청 그래서 당신은 로봇을 넘겨 그럼 당신은 사람들이 야생가는 참조하십시오 그리고 당신은 오, 나는 그 말을 생각하지, 생각 등 등

그래서 당신은 약 30 ~ 50 발언이 필요 우리가 노력하는 수이다 엔트리 의도합니다 즉 네 번째였다 그리고 다섯 번째는 혼자 봇을 떠나지 않습니다 그리고이 결론 구절과, I 단어를 다시 넘겨 싶습니다 랩 업에 대한 미키 엘한다 [박수 갈채] 미키 엘 VANTHOOR : 그래서, 당신에게 팀을 대단히 감사합니다

아주 시원하고 재미있는 당신이 여기 구축하는 것을 볼 수 있습니다 그냥 마무리하기 위해, 우리는 몇 가지 빌딩 블록을 논의했다 먼저 우리는이 사용자 인터페이스에 대해 얘기했다 그리고 거기에 우리의 중요성을 말했다 크로스 플랫폼의 가용성 그래서 당신은뿐만 아니라 이러한 네이티브 통합을 이 SDK를 함께 통합합니다

APIAI– 매우 강력 그리고 성취 측면에서, 당신은 뿐만 아니라 클라우드 플랫폼에 대한 선택의 여지 뿐만 아니라,주의하는 것이 흥미 APIAI 무료 권리라는 것이다 지금, 네이티브 통합뿐만 아니라

그리고 예를 들어, 클라우드 기능, 첫 번째 백만 전화를 걸거나 무언가가 무료입니다 그래서 가야 정말 간단합니다 당신은 그런 예산 승인 또는 뭔가가 필요하지 않습니다 그리고, 그것은 팀의 경우처럼 밖으로 작동 할 때 당신은 쉽게 수요 확장 할 수 있습니다 우리는이 문제를 마무리하기 전에 마지막으로 한가지 내가 당신을주고 싶어 우리는 기술적 인 이야기를 많이 다루었 것을 here– 데모 및 기술 통찰력

하지만 마케팅처럼, 인간과 상대하고있는 때 당신이 사람들을 다루는 방법뿐만 아니라, 매우 중요합니다 우리의 구글 길잡이를 개발하는 동안, 우리는 길을 따라 교훈을 배웠습니다 그리고 우리는 또한 지역 사회와이 공유하고 있습니다 그래서 일부 상당한 금액을 넣어 인간이 상호 작용에 노력 그래서, 기본적으로, 그것 뿐이다

나는 그것이 매우 흥미로운 세션이었다 바랍니다 우리는 기본 실행을 통해를 한 다음 생산에 그것을 실행 사람의 전문 경험 그래서 나는 다시 팀을 감사드립니다 나는 당신의 관심과 에너지를 당신을 감사하고 싶다 그리고 난 당신이 날의 아주 좋은 휴식을 바랍니다

고맙습니다 [박수 갈채]