ML & AI sandbox demos at Google I/O 2019

[음악 재생] 안녕, 모두들 I / O 2019에서 ML & AI 샌드 박스에 오신 것을 환영합니다

그래서 기조 연설에서 우리는 놀라운 것들을 보았습니다 기기 기반 ML로 달성 할 수 있습니다 그리고 저는 TensorFlow Lite와 함께 왔습니다 개발자에게 동일한 내용을 작성하는 방법을 보여줍니다 그들 자신

그래서 당신은 물체 감지로부터 모든 것을 얻었습니다 이미지 분류 및 음성 인식 그리고 우리는 사람들에게 어떻게 배포 할 수 있는지 보여줍니다 정말 작아 보이는 장치들까지 단일 배터리로 몇 주 동안 작동합니다 따라서 TensorFlow Lite로 가능한 것을 실제로 보여주기 위해 Dance Like라는 놀라운 경험을 쌓았습니다

좋아 뒤에 나 같은 춤입니다 TensorFlow Lite를 사용하여 매우 재미있는 응용 프로그램입니다 TensorFlow의 모바일 및 임베디드 시스템 프레임 워크입니다 기계 학습을 실행하기위한 것입니다

기본적으로 사람들에게 춤 추는 법을 가르쳐줍니다 GPU에서 포즈 세분화를 실행하면됩니다 우리에게는 GPU 관련 작업들이 많이 있습니다 우리가 TensorFlow Lite를 위해 방금 릴리스 한, 그래서 당신은 그것들을 확인해야합니다 그것은 당신이 슈퍼 빠른 모델을 실행할 수 있습니다

우리는 실시간으로 두 개를 실행하고 사용자에게 피드백 힙은 춤을 잘 추는 데 도움이됩니다 정말 흥미로운 응용 프로그램을 구축하려면 휴대 전화, 임베디드 시스템, 이 모든 온 – 디바이스를 실행함으로써, TensorFloworg/Lite에 갈 수 있습니다 샘플 코드의 힙이 있습니다 많은 문서와 튜토리얼이 있습니다

그리고 댄스와 같은 놀라운 응용 프로그램을 만들 수 있습니다 세상에 좋아하고 그것을 세상에 공개하십시오 발표자 3 : 여기서 우리가보고있는 것은 PoseNet이라는 모델입니다 PoseNet은 훈련 된 모델입니다 인간의 이미지에, 그리고 훈련 된 그들의 골격 자세를 예측한다

이 모델은 실제로 완전히 실행됩니다 브라우저에 TensorFlowjs라는 라이브러리가 있습니다 TensorFlowjs는 JavaScript를위한 기계 학습 라이브러리입니다

브라우저에서 완전히 실행할 수 있습니다 WebGL을 통해 GPU를 사용하십시오 이제 TensorFlowjs는 Nodejs에서 전체를 사용하여 실행됩니다

TensorFlow C ++ 바이너리 및 모든 하드웨어 가속 그것 뒤에 저장 Piano Genie는 TensorFlowjs에서 완전히 실행되는 모델입니다 브라우저에서도 MIDI 음표를 생성합니다 피아노 연주의 일부로 이제이 모델은 흥미 롭습니다

인간을 루프에 넣고 모델이 실제로 갈 곳인 인간의 상태 TensorFlowjs는 오픈 소스이며 온라인에서 사용할 수 있습니다 TensorFloworg/js에는 여러 가지 예가 나와 있습니다

그것을 사용하는 방법의 데모 오늘 그곳으로 가서 기계 학습을 시작하십시오 브라우저에서

Google’s new AI is better at detecting lung cancer than doctors

공상 과학 소설은 디지털 두뇌의 불가피한 부상을 두려워하며 우리 창조물의 힘에 너무 많은 권력이 끝날 수 있다는 사실을 깨닫게합니다 인공 지능은 자신을 개선하기위한 도구로 사용할 수 있습니다

뉴욕 타임스 (New York Times)는 구글에 의해 그와 같은 인공 지능이 매우 인상적인 것을하고 있다고 언급했다 새로운 연구 논문에서 Googe와 의학 전문가가 파트너십을 통해 개발 한 알고리즘은 폐암을 발견 할 때 정확성이 입증되었습니다 Nature Med Cine에 실린 pape은 AI가 어떤면에서는 의학 검사에서 암의 징후를 발견하는 데 훈련받은 연구원보다 정확하다고 밝히고 있습니다 여러 다른 심층 신경 알고리즘이 의료 분야에서 시험되거나 사용되는 것처럼,이 연구의 컴퓨터 두뇌는 과거의 폐 흉막 검열에서 나온 캔을 사용하여 훈련되었습니다 그런 다음 6,700 건 이상의 암 검열 검사를 통해 암을 발견 할 수있는 정확한 정확성을 확인하는 질문을 받았습니다

의사는 이미 의사의 진찰을 이미 알고있었습니다 이 라운드에서 944 %의 충격을주었습니다 그 알고리즘은 6 명의 방사선과 의사의 인간 브래지어에 대항하여 우리가 이전에 보지 못했던 탐에서 암을 발견하는 데있어 기술자와 인간 모두 얼마나 숙련되었는지를 보여줍니다 컴퓨터 단층 촬영 검사에서 추가 보충 정보가 방사선과 관련하여 유용 할 수있는 데이터 세트를 스크리닝 할 때 컴퓨터는 전문가와 비슷하게 수행되었습니다

그러나 인공 호흡기 데이터를 추가로 사용할 수없는 경우 인공 지능은 인간 응답자에게 편의를 제공하여 인공 호흡기를 6 개 모두 11 % 감소시키고 위음매를 5 % 줄였습니다 이것은 의사들에게는 좋지 않은 것처럼 들릴지 모르겠지만, 요즘의 지적은 전문직의 컴퓨터를 가진 전문가들을 배치하는 것이 아닙니다 암 검진만큼이나 진지한 것, 의사는 항상 등식의 일부가 될 것입니다 그러나 경험이 풍부한 의사와 심층 학습 알고리즘의 두뇌를 결합하면 진단 오류가 줄어들어 우리 모두의 전반적인 삶의 질이 향상 될 수 있습니다

Music and Machine Learning (Google I/O'19)

[GOOGLE LOGO MUSIC] JESSE ENGEL : 저는 제시입니다 ADAM ROBERTS : 저는 아담입니다

JESSE ENGEL : 그리고 우리는 – 덕분에 Google은 Google 내의 프로젝트에서 왔습니다 프로젝트 마젠타 (Project Magenta) 그것은 Google 내의 기계 학습 그룹의 일부입니다 그리고 우리는 구체적으로 – 그것은 오픈 소스 연구 프로젝트입니다 그래서 우리는 최첨단 기계 학습 연구를하고 있습니다

하지만 우리는 그 역할에 정말로 관심이 있습니다 그 기계 학습은 창조적 인 기술을 위해 놀 수있다 예술가와 음악가를 위해 그래서 우리가하는 모든 일을 오픈 소스에 내 놓습니다 또한 개발자를위한 도구를 만드는 데 중점을 둡니다

예술가들이 실제로 탐험 할 수 있도록 창조적 인 과정에서 인공 지능과 기계 학습을 사용합니다 그리고 프로젝트에 더 많은 관심이 있다면, 그냥 진짜 빠른 플러그 gco/magenta로 갈 수 있습니다 당신이 연구면에서 더 많이한다면, 당신은 모든 종류의 연구 논문과 데이터 세트를 찾을 수 있습니다

음악인이라면 많은 통합 도구가 있습니다 당신은 시도 할 수 있습니다 그리고 다른 라이브러리에도 JavaScript가 있습니다 코더에 사용할 수 있습니다 그래서 저는 그것을 아담에게 넘겨 줄 것입니다

누가 실제로 이것이 더 의미하는지에 대해 이야기 할 것입니다 ADAM ROBERTS : 네 한 가지 구체적인 예를 살펴 보겠습니다 우리가하는 일의 유형 이것은 단지 – 우리가 풀어 놓은 프로젝트입니다

지난 주에 그루브라고 불렀어 실제로 초대하기 만하면 실제로 시작되었습니다 드러머, 전문 드러머 고용 사무실에 와서 우리는 전자 드럼 킷을 사용하여 우리가 상징적 표현을 포착 할 수있게했다 그들의 공연 중

그리고 우리는 기계 학습 모델을 훈련 시켰습니다 우리가 생각한이 데이터로 다양한 작업을 수행합니다 창의적인 맥락에서 사용하는 것이 흥미로울 수 있습니다 그래서 나는 잠시 후에 그 일들 중 일부에 빠지게 될 것입니다 하지만 우선, 나는 우리가 실제로 어떻게 움직이는 지 살펴보고 싶다

이 물건들을 세상에 뿌려 라 먼저, 우리는 연구 그룹입니다 그래서 우리는 학술 논문을 씁니다 우리는 기계 학습 회의에 제출합니다 우리는 또한 데이터 세트를 공개함으로써 다른 연구자들이 그것을 취하고 결과를 재현하거나 또는 잘하면 그것을 확장, 그것을 향상시킬 수 있습니다

그러나 우리는 또한 항상 우리 물건을 오픈 소스에 넣습니다 그래서 우리는 코더들이이 기술에 접근 할 수 있기를 바랍니다 그래서 우리 모델의 TensorFlow 구현을 릴리스 할 것입니다 우리는 또한 일반적으로, 그리고이 경우, 우리는 TensorFlow JS에서 다시 구현했습니다 그리고 이것은 단지 유용한 기술입니다

인터페이스 및 응용 프로그램 구축 용 이러한 방법들 위에 그것은 정말 쉽습니다 당신은 자바 스크립트에 넣습니다 그리고 마지막으로,이 경우, 우리는 데이터 세트를 TensorFlow 데이터 세트에 넣습니다 해당 데이터 세트에 액세스하기위한 단일 라인 API와 같습니다

그래서 당신은 새로운 모델을 훈련시킬 수 있거나 그것을 사용할 수 있습니다 네가 원하는 어떤 목적이든 그리고 마지막으로, 우리는 일반적으로 어떤 종류의 음악가 또는 예술가를위한 도구, 또는 우리가 목표로하는 제작자 유형에 상관없이 이 경우 자바 스크립트 구현을 사용했습니다 우리는 Ableton을 위해 magenta / studio라는 플러그인을 만들었습니다 살고 있다

따라서 Ableton Live에 익숙하지 않은 경우, 전문 소프트웨어 패키지 사람들이 음악을 제작하거나 음악을 작곡하는 데 사용합니다 그리고 이러한 플러그인은 새로운 기능을 추가합니다 전에 존재하지 않았던 그 도서관에 그래서 나는 Drumify에 집중하고 싶습니다 우리가 모델에서 만든 두 개의 플러그인 중 하나 인 그룹 데이터 세트로 만들었습니다

그리고이 플러그인이 실제로하는 일은 실제로 어떤 종류의 리듬 음악을들을 수있게 해줍니다 드럼 비트로 변환하거나 드럼 비트를 생성합니다 종류가 잘 동반됩니다 그래서 당신이 프로듀서라고 상상해보십시오 새 노래 시작 중입니다

그리고 당신은 많은 것을 좋아하는베이스 라인을 가지고 있습니다 하지만 드럼 킷에 접근 할 수 없거나 또는 당신은 재능있는 또는 숙련 된 드러머가 아닙니다 Drumify 플러그인을 사용하여베이스 라인을 사용할 수 있습니다 계속하기 위해 동반하는 드럼 비트 만들기 당신의 구성 과정 그럼 실제로이 간단한 예를 들어 보겠습니다 먼저 누군가가 만든베이스 라인을 듣게 될 것입니다

[베이스 라인 연주] 이제 우리는 그것을 취할 것이고 우리는 Drumify와 동반 할 드럼 비트로 바꿀 것입니다 [마약 사용으로베이스 라인] [웃음] [박수 갈채] 그래서 그것은베이스 라인, 저음의 온셋을 사용하는 것입니다 그 리듬을 추출하는 메모 몇 번의 클릭만으로 그것을 따라갈 드럼 비트를 만들 수 있습니다 이것이 유형의 한 가지 예일뿐입니다

우리가 작업하고있는 것들 더 많은 gco/magenta가 있습니다 우리에게는 훨씬 더 많은 프로젝트가 있습니다 모든 것은 무료이며 오픈 소스이며 사용하기 쉽습니다

그러니 관심이 있다면 확인해보십시오 그러나 이제 우리는 전환하고 약간 초점을 맞추고 싶습니다 실제로 만든 일부 제작자에게 이 기술과 예술적 실천을 사용하기 시작했습니다 그래서, 구체적으로 오늘 우리는 두 명의 음악가가 있습니다 우리는 정말로 흥분하고 있습니다

첫 번째는 Claire Evans입니다 그래서 그녀는 YACHT 밴드의 삼분의 일입니다 그녀는 또한 예술가이기도합니다 완성 된 저자 그녀의 책은 "광대역 – 인터넷을 만든 여성들의 이야기를 풀어 라

" 그리고 나는이 책을 매우 추천한다 네 [박수 갈채] 나는 그것이 독서가 필요하다고 생각한다 그래서 확실히 확인해보십시오 그러나 오늘 그녀는 그것에 대해 이야기하지 않을 것입니다

그녀는 최근 밴드의 모습을 이야기 할 것입니다 일부 기계 학습 기술을 채택했습니다 그들의 과정에서 그리고 그 밴드가 밴드로 데려가는 모습을 볼 수 있습니다 그러니 클레어를 무대에 초대하십시오

CLAIRE EVANS : 고마워 안녕하세요 안녕, 모두들 안녕하세요, 저는 분명히 클레어입니다 그리고 저는 여기 밴드의 대표자입니다

그래, 오늘 밤 우리 메인 스테이지에서 연주하고있어 그래서 당신이 이것을 좋아한다면,이 흥미로운 것을 발견한다면, 우리는 많은 노래를 연주 할 것입니다 오늘 내가 메인 스테이지에서 이야기하고있는 것입니다 그래서, 요트에 익숙하지 않은 사람을 위해, 나는 이것을 빠른 서언으로 시작하려고한다 그래서 당신은 우리가 누구인지 그리고 어디서 왔는지에 대한 감각을 얻습니다

우리는 내가 어떻게 시작하는지부터 시작합니다 우리는 기계 학습에 들어갑니다 그래서 요트는 2002 년에 제 파트너 인 Jona Bechtolt에 의해 설립되었습니다 누가 저기 앉아 있니? 이런 종류의 낡아 빠진 이름을 따서 명명되었습니다 그가 오레곤 주 포틀랜드에있는 거리에서 본 사인 – YACHT, 최첨단 기술을 도전하는 젊은 미국인

우리는이 사업이 무엇을했는지 전혀 모른다 실제로는 솔직히 Google을 사용할 수 없습니다 어떤 것들은 있습니다 우리는 수년 동안 여러 번 찾아 내려고 노력했습니다 그러나 우리는 많은 다른 화신을 가지고 있었지만 밴드의 17 년 동안 음악을 만들었습니다

우리는이 두문자어를 지켰습니다 그것은 뭔가 실제로 명료하게 표현하기 때문에 우리가 누구인지에 대한 핵심입니다 끊임없이 기술과 대화를 나누고 싶습니다 내 말은, 분명히 우리가 여기 있기 때문에 우리는 러 다이 트가 아니란 말입니다 그리고 우리는 특별히 적대적이지 않습니다

그 의미에서 도전적입니다 우리는 항상 약혼을 유지하고 싶습니다 그리고 우리는 항상 푸시의 종류를 알고 싶어합니다 도구를 사용하거나 작업에 영향을 미침 우리가 사용하는 도구들, 우리의 작업을 형성하는 도구들 나는 내가 코더가 아니라고 말하고 싶다

나는 아담과 제시가 짝을 이루는 것의 20 % 만 이해했다 지금 말하자면 우리는 그들과 함께 일해 왔습니다 삼년 동안 그래서 우리의 기술과의 관계 예술을 만드는 맥락에서 항상 그렇습니다 밖을보고에서 왔습니다

우리는 도구에 대한 접근과 접근에 관심이 있습니다 흥미로운 도구로, 그리고 우리 자신의 소설을 찾는 것 도구를 사용하는 방법, 옆에있는 일종의 방법 우리는 창조적 인 응용을 강요하고 싶습니다 비 크리에이티브 기술자의 우리가 그들과 함께 할 수있는 것을보기 위해 비 소비자 지향적입니다 어떻게 그들이 우리의 역사적으로 예쁜 것에 적용될 수 있는지보십시오

DIY, 펑크 록 작업 기본 기본 지시문이 하나 있다면 우리가하는 일을 지배하고, 가능한 한 많이해야한다 가능한 한 작은 것으로, 어떤 것이 있습니다 우리가 Buckminster Fuller를 많이 읽음으로써 우리 자신의 배경에 필연적 인 유추를 그려야한다 태평양의 분산 형 펑크 록 커뮤니티에서 북서

나는 너에게 한 쌍에 대해 말할거야 당신이 우리가 누구인지에 대한 감각을주기 위해 우리가 한 프로젝트의 그래서 몇 년 전에 우리는 새 앨범 표지를 공개했습니다 독점적으로 팩스를 통한 삽화 우리는 웹 애플리케이션을 구축하여이를 수행했습니다 인근 팩스 기기를 FedEx와 같은 팬들에게 제공하십시오

또는 UPS 또는 그 부모의 사무실에 직접 제출하고 직접 작품을 보냈습니다 표지 문을 덧붙여 그들에게 팩스 기계가 정보를 전송합니다 이는 기본적으로 음악이하는 것입니다 그리고 우리는 활성화의 아이디어를 좋아했습니다

휴면 기술 또는 잠재 기술, 어떤 창조적 인 가능성이 존재하는지 보여주는 방법으로 노후화의 위기에 처해있다 그리고 그 단계에서 우리는 최근에 4 년짜리 프로젝트 정말로 휴면 한 기술을 재 활성화하는 것 로스 앤젤레스 시내, 1975 년 공개 미술 작품 원래 "Triforium"이라고 불리는 세계 최초의 폴리포옵 틱 (polyphonoptic) 빛과 소리를 동기화시킬 수있는 도구 원래의 새로운 예술 형식으로 그것이 1975 년에 지어 졌던 컴퓨터 시스템은, 분명히, 스너프까지는 아니었다 그래서 그것은 매우 오랜 시간 동안 부러졌습니다 하지만 우리는 돈이 있고, 학제 간 팀이 있습니다 함께 빛을 되찾았습니다

맞춤형 LED 설치를 사용합니다 그리고 우리는 원래의 8 비트 종이 테이프를 구제 할 수있었습니다 원래 컴퓨터를 실행 한 코드 시스템을 통해 실시간으로 응답 할 수 있습니다 다시 한번 음악 입력 그래서, 다시, 이것은 공동 거주입니다

구약과 신기술의 우리는 사물을 사용하는 것을 좋아합니다 다시 탐험하고 다시 상상하기를 기다리고, 또 다시, 가능한 적은 자원으로 우리는 기계에 정말로 관심이되었습니다 약 4 년 전에 학습했습니다 우리가 그럴 것 같았 기 때문에 아마 우리를위한 다음 단계 일 것입니다 우리는 기계의 반사 특성 그것을 배우는 방식처럼 우리가 자신을 이해하는 데 도움이되고 생성적인 자질 기계 학습, 그것이 우리를 도울 수있는 방법 완전히 새로운 것을 만들기 위해서

기본적으로 꼬리말부터 말하고 있습니다 기계를 찾으려는 1 년 동안의 긴 프로젝트 일할 수있는 학습 주도적 구성 과정 우리의 목적을 위해, 그것은 우리가 음악을 만들 수있게 해줄 것입니다 인간이 음악을 만들어내는 것만 큼 단순한 것이 아니 었습니다 그러나 진정으로 흥미롭고 의미있는 것으로 그리고 녹음의 우리 뒤의 목록과 일치하여 그래서 우리는 단지 레코드를 만들고 싶지 않았습니다

기계 학습 기계 학습을 사용하여 YACHT 레코드를 만들고 싶었습니다 그리고 그것은 다른 제안입니다 나는 변덕에 빠지게 될거야 그게 테마라고 생각하기 때문에

이것은 기본적으로 우리가 기록에 사용했던 것입니다 우리는 다양한 전략을 가지고 실험했습니다 그러나 우리는 우리를위한 최고의 구성 도구가 Magenta의 MusicVAE 모델은 잠재 공간입니다 보간 모델은 우리가 본질적으로, 나는 이것이 기술적 인 설명 방식이 아니라는 것을 안다 하지만 그건 우리가 멜로디를 찾을 수있게 해줬 어

우리 자신의 등 카탈로그에서 노래들 사이에 숨어 있습니다 그리고 이것은 사용자가 그 모델을 바라 보는 부분입니다 우리가 처음에는 지난 5 월 기록을 남겼다 그것은 CO 실험실 노트북이다, 그래서 정확하게 종류 뮤지션의 음악은 스튜디오에 데려 오는 데 익숙합니다 불행히도 우리는이 작업을 시작했습니다 Magenta가 사용자 친화적 인 Ableton Live를 만들기 전에 뮤지션을위한 플러그인

하지만 알다시피, 그것은 무엇이든간에 – 그것은 우리에게 거리를 제공합니다 그래서 나는 그것으로 괜찮습니다 그래서 이런 식으로 일하기 위해서는 CO 연구실과 같은 것을 가져와야합니다 노트북을 스튜디오에 가져 가면 많은 준비 작업을해야합니다 먼저, 전체 카탈로그에 수동으로 주석을 달았습니다

82 곡 이요 MIDI로 그리고 우리는 모든베이스 라인을 깨뜨 렸습니다 보컬 멜로디, 키보드 라인, 드럼 파트를 4 개의 바 루프로 구성합니다 그런 다음 CO 랩 노트북을 통해 이러한 루프 쌍을 실행했습니다 다른 온도에서 때때로 수십 번, 수백 번이 아니라도 이 거대한 몸을 생성하기 위해서 우리가 할 수있는 멜로디 정보 새로운 노래를 만들기위한 소스 자료의 일종으로 사용하십시오

우리가이 엄청난 양의 음악 정보를 가지고있을 때, 인간의 과정이 시작된 때입니다 이것은 우리가 수동으로 모두를 통해 컬링을 시작한 때입니다 재미있는 순간을 찾으려고 노력하는이 MIDI 데이터의 우리에게 말한 것들, 재미 있다고 느낀 것들, 우리가 더 탐험하고 싶었던 것들 여러분 중 일부는 알 수 있듯이 기계 학습을 사용합니다 시작, 중간, 그리고 끝, 운문, 합창, 운문으로, 조금 아직도, 우리의 범위 밖

멜로디가 모델의 직업이기 때문에 그것은 좋은 일입니다 그러나 배치와 성능 전적으로 우리 일 이었어 제가 좀 더 구체적으로 의미하는 바를 증명하기 위해, 하나의 노래에서 단 하나의 멜로디에 집중하겠습니다 그래서 나는 너에게 멜로디를 연주 할거야 곧바로 MusicVAE 모델에서 빠져 나옵니다

그것은 생성 된 몇 가지 다른 MIDI 시퀀스 중 하나였습니다 2 개의 다른 YACHT 노래 사이 보간법에 의하여, 하나는 "홀로그램"이고 하나는 제목에 맹목적인 말을하고있어 아마 나는 소리내어 말하면 안돼 관객 : 말해봐! [메트로놈 연주가있는 멜로디 한 곡] 클레어 에반스 : "나는 죽을 때까지 너와 섹스하고 싶어" [LAUGHS] 승인 그래서 우리를위한이 특히 멜로디 예외적으로 미학적으로 흥미 롭습니다

그러나 MusicVAE 모델에 의해 생성 된 모든 멜로디와 마찬가지로, 끝없는 메모의 순서입니다 멈출 때까지 계속 켜져 있습니다 그것은 정확히 대중 음악이 아닙니다 그래서 이것이 규칙이 들어오는 곳입니다 그리고 나는 기술적 인 규칙을 의미하지는 않습니다

나는 인간의 규칙, 우리의 특정한 과정을위한 일하는 규칙을 의미한다 우리는 항상 번창했습니다 많은 예술가들처럼, 저는 믿습니다 스스로 부과 된 제약 하에서 왜냐하면 당신이 앉아서 팝을 쓸 때 세계의 모든 것에 관한 노래, 그것은 압도적입니다

그러나 당신이 그 자리에 약간의 경계를 가지고 있다면, 당신은 그것에 대해 더 구체적으로 생각할 수 있습니다 그래서 우리를 위해 우리는 우리가하는 모든 노래가 이 과정으로 만들려고한다 기존의 것으로 보간되어야했다 멜로디를 다시 카탈로그에서 우리는 이것이 노래로 이어질 것이라고 기대했습니다

그런 종류의 요정이 있었어 느낌, 우리는 양을 정하는 방법을 모른다 나는 모델도 할 수 있다고 생각하지 않는다 그러나 이것이 우리가 결정할 매개 변수입니다 우리는 또한 메모를 추가 할 수 없다고 결정했습니다

우리는 하모니를 추가 할 수 없었습니다 우리는 잼이나 즉흥 연주를 할 수 없었습니다 해석하거나 본질적으로 어떤 방식 으로든 창조적이어야합니다 첨가제 변경은 없었고, 감산 만 또는 전치 변화 그래서 우리는 어떤 악기에도 멜로디를 지정할 수 있습니다

우리가 방금 들었던 멜로디가 키보드 였을 수도 있습니다 라인,베이스 라인이었을 수도 있고, 기타 라인 일 수도 있었고, 보컬 멜로디 일 수도 있었어 그것이 우리의 결정이었습니다 우리는 멜로디를 작업 키로 바꿀 수 있습니다 그리고 구조화하고 자르고 콜라주 할 수 있습니다

우리가 원하는만큼 이제 또 다른 중요한 요소 인 가사에 대해 이야기하겠습니다 어떤 노래 든 그래서이 프로젝트를 위해 우리는 다른 창의적인 기술자 인 로스 굿윈 (Ross Goodwin) 우리가 그와 함께 일하기 시작했을 때 그는 자유 계약자였습니다 그는 현재 Google의 아티스트 및 컴퓨터 인텔리전스를 사용 중입니다

그룹, 많은 일이 일어난 것입니다 우리 과정에서 우리는 Ross와 함께 가사 모델을 만들었습니다 우리의 멜로디 모델과 같은 종류의 정신으로 그래서 우리는 그것이 일종의 우리 자신의 영감을 반영하여, 우리 자신의 배경, 우리 자신의 역사, 우리 자신의 백 카탈로그

그래서 우리가 Ross로 만든 모델 20 메가 바이트의 텍스트로 된 코퍼스에서 훈련 받았다 약 500,000 페이지 또는 약 2 백만 페이지입니다 말 그리고 이것들은 모두 우리가 우리의 영향으로 여겨지는 음악, 우리가 듣고 자란 음악, 우리 부모님의 음악, 우리 자신의 음악, 우리 친구, 공동 작업자 및 동료 우리는 이것을 기계의 종류를 가르치는 기회로 보았습니다

우리의 가치, 역사, 우리 공동체, 그리고 어디에서 우리는 예술가로서 왔습니다 최종 결과는 이것이었다 따라서 하나의 인스턴스, 하나의 블록 Ross가 우리와 함께 만든 가사 모델의 출력 결과 한 장의 도트에 인쇄했습니다 매트릭스 프린터 용지

왜냐하면, 당신도 알다시피 그들은 여전히 ​​도트 매트릭스 프린터를 만듭니다 아마존에서 살 수 있습니다 그리고 우리는 그것을 실제로 물리적 인 것으로 시각화하고 싶었습니다 그래서 우리는이 방대한 텍스트 블록을 가지고있었습니다 우리가 스튜디오에 가져온 하나의 연속 시트 우리와 함께

그리고 나는 말 그대로 스튜디오 층에 앉아 있었고, 재미있는 구절을 강조 표시합니다 그것이 포함되어있어서 흥미 롭습니다 저온에서 고온의 물질 범위 저온 물질은 위험이 적기 때문에, 훨씬 더 단순하고 훨씬 반복적입니다 그것은 펑크 록 가사 엔진의 일종입니다

노래에서 더 많은 요소적인 것들을 두 드린다 전체 페이지와 페이지 및 페이지가 있습니다 반복적 인 어구들처럼, 나는 너의 두뇌를 원해 또는 나는 바위를 피우려고합니다 아니면 당신을 사랑합니다

저온 소재입니다 그리고 나서 고온 재료 문장에 무의미한 행동이 가득하다 그리고 정말 이상한 고유 명사와 사물의 이름이 많이 있습니다 그래서 노래를 만들려면 정서적으로 다양한 감정을 가지고 있었고, 우리는 많은 저온 고온 재료를 같은 노래에 담았습니다 그리고 멜로디와 마찬가지로, 우리는 그대로의 것을 가져 가지 않았습니다

우리는 실제로 수동으로 샅샅이 뒤지며 예외적으로 흥미로운 문구 나 이미지를 찾았습니다 또는 구절, 또는 우리에게 말한 것들 우리가 누구인지에 대해 의미있는 것처럼 느껴졌습니다 그리고 우리가 어디에서 왔는지 텍스트를 사용한 작업 방식에 가장 큰 영향 정말 저급 기술, 반 기술, 정말 윌리엄 S 버로우스가 잘린 걸 봤어

작문 방법과 다다 이스트 첨단 기술, 낮은 기술은 우리의 operandus의 일종입니다 그래서 실제로 노래를 만들려면 거대한 텍스트 블록과이 거대한 더미 멜로디의 우리는 실제로 재미있는 구절을 가져 가야했다 멜로디 위에 올려 놓으십시오 우리가 결정한 것은 흥미로운 보컬 멜로디가 될 것입니다

문제는 VAE에서 생성 된 멜로디입니다 인체와 관계가 없다 우리 인체 나 역량에 출연자와 가수로서 그리고 그들은 확실히 관계가 없습니다 영어의 내부 리듬에 이르기까지

그래서 우리가 위에 가사를 깰 시간이 많이 있었어 멜로디를 일종의 강제로 작업하기 위해 그리고 그것은 우리가 음절을 떼어 내고 발음해야한다는 것을 의미했습니다 정말 이상한 방법으로 일을하고 일을해라 깊이 직관력이 없었고 이 음악을 듣는 많은 사람들을 이끌어 낸다 가사를 끊임없이 잘못 들었다

그것은 마치 [INAUDIBLE] 메이커와 같습니다 그럼 좀 더 자세히 살펴 보겠습니다 우리가 함께하기로 결심 한 가사들 여기 노래의 한 구절이 있습니다 "나는 내 두뇌에 당신의 전화를 원한다

내 이름을 부르면 좋겠어 네가 그걸 해주기를 바란다 오, 오지 않을 래? 오지 않을거야? 내 머리 속에서 일하지 않니, 내 번호 9 이니? 살아 있기 위해서, 너와 함께, 잡초처럼 나는 침대에서 개처럼 머리에서 느낄 수있다 " 알아

[박수 갈채] 따라서 일반적으로 노래를 쓰는 사람으로 말하면 의미 나 종지와 관계가있다 또는 어떤면에서 개인적으로, 이런 종류의 가사를 부른다 내 구현 된 습관을 벗어나서 강요했다 먼저 단어와 소리 사이의 관계를 발전 시키십시오 그리고 그 의미를 사랑하고 감사하게 성장하십시오

소리가 난다 그것은 꽤 해방이야 그러나 가사에는 또한이 정말로 강한, 나는 결코 쓰지 않을 것 인 이상한 이미지 마찬가지로, "나는 침대에서 개처럼 머리에서 느낄 수 있습니다" 내 말은, 어구 야

그것은 관용적 인 영어의 형태입니다 그러나 의미는 완전히 옆으로입니다 그럼에도 불구하고 그것은 여전히 ​​뭔가 의미가 있습니다 왜냐하면 우리 모두가 쉽게 할 수 있다고 생각하기 때문입니다 따뜻하고 고의적 인 느낌을 상상해 보라

그리고 밤에 잠들고있는 개처럼 선물한다 그리고 그것은이 물건들을 다루는 마법입니다 언어에 대한 새로운 사고 방식을 열어줍니다 음악에 대해 생각하고 상호 작용을 생각하는 것 그 두 가지 사이 승인

그래서이 가사들이 어떻게 그 멜로디에 잘 들어 맞는지 들어 봅시다 내가 방금 연주 한 곡은 처음에 결정 했어 좋은 보컬 멜로디가 될 것입니다 [메트로놈과 음악 재생] [LAUGHS] [박수 갈채] 감사 그래서 가장 흥미롭고 도전적인 것들 중 하나입니다

이런 식으로 일하는 것은 실제로 생성 재료를 수행하는 단계 앞서 말한 것처럼, 그것은 종종 우리의 역량을 훨씬 뛰어 넘습니다 그리고 때로는 단순하게 들리는 것들 – 내 말은, 이것은 간단하게 들리지만 옆길과 같습니다 연극과 공연의 구체화 된 패턴으로부터 우리가 익숙한거야 몇 번이나 말해 줄 수 없어요

우리는 단지 꼼꼼하게 꼼꼼하게 찍으려는 스튜디오에 있습니다 간단한 기타 라인 그러나 그것이 단지 약간 다른 이유만으로 우리는하는 것에 익숙했습니다 불가능했습니다 그리고 그것은 많이 일어났습니다

그리고 그것은 두뇌의 종류였습니다 많은 순간에 어렵다 그러나 동시에, 종종 강제로 우리를 우리의 안락 지대 밖으로 밀고, 우리를 밀었습니다 우리가 빠졌던 패턴의 바깥쪽에, 종종 우리가 인식하지 못했던 패턴들 거기에 처음부터 있었다 그리고 그것은 우리가 다르게 게임을하도록 강요했습니다

우리가 일하는 방식에 대해 다르게 생각하십시오 승인 마지막으로, 나는 마지막 노래의 첫 번째 분을 연주하고 싶다 모든 것을 함께 그래서 첫 번째 합창을들을 겁니다

놀랍고 독특한 이디엄을 가지고 있습니다 그리고 내가 전에 연주 한 구절을들을거야 다시 한 번, 멜로디 적으로, 당신이 듣는 모든 것 MusicVAE 모델에 의해 생성되었습니다 그러나 성능, 배치, 생산, 구조, 그 외 모든 것은 우리 것입니다 그리고 이것은 우리가 공동의 전략으로 보는 것입니다

예술가처럼 그렇게 많은 것은 아닙니다 기계 학습으로 대체되고, 오히려 기회가 주어진다 우리의 에너지를 다른 방향으로 집중시키는 것 우리가 익숙하지 않은 다른 곳에서 통제권을 철회하는 것이 아닙니다 그것은시키는 것이 아닙니다

그것은 유지하고 프로세스가 당신을 바꾸게하는 것입니다 아마도 펌프질 할거야 [음악 재생] 진짜 노래 같아! 그래서 분명히 이것은 단지 하나의 방법 일뿐입니다 음악을 만드는 기계 학습과 협력하는 것 그리고 심지어 옳은 길조차도 아닙니다

나는 생각하지 않습니다 무수한 접근법이 있습니다 그리고 그들 중 많은 사람들이 훨씬 더 기술적 일 것입니다 다시, 우리는 우리가 어디에 들어갈 수 있는지 들어 있습니다 우리는 우리가 알고있는 수준에 종사하고 있습니다

그러나 그것이 직면하고있는 도전, 그것이 워크 플로우로 가져 오는 이유는 분명히 아닙니다 직관적 인 또는 재미있는 브라우저에서 CO 랩 노트북을 당겨서, 스튜디오에서 도전 과제는 정말 만족스럽고 흥미 롭습니다 그들이 도전의 종류이기 때문에 그것은 당신이 실제로하고있는 것을 멈추고 고려하게 만듭니다 그리고 우리에게는이 과정이 때때로 격노하고 있습니다 그러나 궁극적으로, 정말 깊이 기뻐하고 있습니다

내가 설명 할 수있는 가장 좋은 방법이야 당신이 퍼즐을하고있는 것처럼 느껴지는 것입니다 그리고 당신이 끝나면, 퍼즐에있는 그림 상자에있는 것이 아닙니다 하지만 누가 신경 쓰냐? 상자에 무엇이 있는지 누가 알기 때문에? 승인 더 많은 이야기가 있습니다

패널에서 이야기 할 수 있습니다 고맙습니다 [박수 갈채] JESSE ENGEL : 정말 대단합니다 시원한 네

너 여기 앉아있어 네 그래서 우리는 YACHT에게와 주셔서 정말 감사드립니다 그래서이 과정의 초기에 당신은 우리의 도구가 많이 있다는 것을 알 수 있기 때문에, 당신의 이야기를 통해, 초기 단계에 그냥 일종의

그리고 우리는 많은 유용한 피드백을 받았습니다 예술가가 실제로 어떻게 다른 유형의 것들과 상호 작용하기를 원한다 기계 학습에서 그리고이 다음 프로젝트에서는 우리가이 과정에 어떻게 왔는지 보여주는 일종의 느낌 지금이 도구들을 사용할 수있게 해줍니다 누군가가 더 짧은 시간에 프로젝트를 수행 할 수있는 곳 시간

그래서 우리는 불타는 입술로 프로젝트를했습니다 그것은 매우 구체적입니다 관객 : 우! ADAM ROBERTS : – 그게 I / O를위한 것입니다 그래서 우리는 당신에게 사물의 피크를 줄 것입니다 오늘 밤 콘서트가있을거야

그리고 우리는 여기서 훌륭한 토론 패널을 갖게 될 것입니다 이 모든 것에 대해 이야기하기 그래서 우리는 비디오를 재생할 것입니다 CLAIRE EVANS : 한 번 더 ADAM ROBERTS : 한 번 더

[비디오 재생] – 불타는 입술에는 언제든지 새로운 작은 도구를 우연히 발견했다 그것은 우리가 만든 것을 바꿔 놓았습니다 – 마젠타 팀의 목표는 창의력에서 기계 학습의 역할을 실제로 탐구하고, 사람들이 표현할 수있는 창조적 인 과정에서 새로운 방식으로 피아노 지니는 우리가 가진 인턴의 위대한 작품입니다 크리스 도나휴 그는 피아노 연주를 할 수있는 알고리즘을 디자인했습니다

커플을 치는 것만으로 피아노 연주를 재현 해 봅니다 컨트롤러의 버튼 그리고 자연스럽게 소리가 나옵니다 전문 피아노 연주자와 훨씬 더 비슷합니다 – 우리가 실제로하는 것들 중 하나 그것에 초점을 다른 기계의 많은 다른 매우 다른 학습 프로젝트는 어떻게 사람들에게 이러한 알고리즘을 조작하십시오

– Flaming과 협력하여 정말 흥분했습니다 입술 음악에 대한 접근 방식이 너무 독창적이기 때문에 우리는 단지 우리가 가지고있는 모든 것을 보여주었습니다 우리는 새로운 경험을 창조하기를 희망합니다 관객은 실시간으로 밴드와 함께 음악을 만들 수 있으며, 피아노 지니를 사용합니다

– 그래서 우리는 지적인 악기와 멜로디를 만들었습니다 Google과 함께 과일을 만들었습니다 [음악 재생] [박수 갈채] 내가 과일을 할 때, 나는 그것을 만지고있다 그리고 나는 매번 그것이 무엇을 할 것인지 정확히 알지 못했습니다 – 각자 그것이 무엇인지 발표하고 있습니다

– 바나나 – 녹색 사과 – 어쩌면 그것은 G의 열쇠에있다 [엄청난 전자 보컬] – 그래서 Google AI와 함께 작업했습니다 그리고 그들은 우리에게 Piano Genie라는 소프트웨어를 보냈습니다

메모를 치면 자동으로 음악이 재생됩니다 [음악 재생] – 우리가 그걸 가지고 놀면할수록, 그게 무엇을 상대로 연주하는지 더 많이 이해할수록 그리고 누구와 함께 노는거야 – 그래서 당신은 다른 리듬이나 다른 음표를 연주합니다 그리고 이것은 계속해서 일어납니다 그래서 실제로 우리가 쓰지 않은 멜로디를 썼습니다

– 기계가 당신을 위해 그것을하는 대신에, 당신은 기계가 뭔가를하도록 격려하고 있습니다 멋지다 1, 2, 3 – 바나나라면 바나나에 꽤 좋다 [웃음] [끝내기] [박수 갈채] JESSE ENGEL : 그래서 알았어 내가 일하는거야? 됐어 네 네

JESSE ENGEL : 네, 거기 있었군요 알았어 JESSE ENGEL : Wayne Coyne입니다 안녕, 코네 : 안녕하세요 [박수 갈채] JESSE ENGEL : 네, 안녕하세요

그래서 우리는이 토론을 시작하고 싶었습니다 기계 학습에 대한 과대 광고 인공 지능 그리고 당신이이 프로젝트 중 하나에 올 때, 많은 선입견이있을 수있다 그것이 상호 작용하는 것과 같을 것이라는 점에 대해 이걸로 어쩌면, 클레어, 너부터 시작하고 싶다

그 선입관이 어떻게 만난지 이야기해라 또는 예상했던 것과 다른 점 오 클레어 : 오 그래, 내 말은, 처음에는 그 말을 부끄러워하지 않는다 우리는 단지 버튼을 누르고 노래를 만들 것이라고 생각했습니다

우리는 그것이 우리가있는 곳이라고 생각했습니다 AI의 기술 발전에 관한 제 말은 아마도 그것이 주류의 과대 광고 일 것입니다 우리를 믿게합니다 이런 식으로 우리 일자리에 올거야 그게 너무 내장적이야

그러나 우리는 정말로 우리가 우리 노래 전부를 정렬 할 수 있다고 생각했습니다 기계에 넣은 다음 새로운 YACHT 노래를 우리에게 줄 것입니다 그리고 우리는 매우 빨리 알아 냈습니다 물론, 그건 우리가있는 곳이 아니야 그것은 정말로 흥미 있었다

왜냐하면 우리는 그 고리 속에있는 인간이되어야한다는 것을 의미했기 때문입니다 그리고 우리는 프로세스에 대한 더 많은 통제권을 가지게되었습니다 우리가 처음에 우리가 믿는 것보다 제 말은 처음에 우리는 기계가 만든 것이 무엇이든간에 그리고 나서 우리는 그것을 연주하고 그것을 수행해야만 할 것입니다 우리 자신의 그러나 실제로, 우리는 모델들과 함께 공동 제작을해야합니다

그리고 우리는 훨씬 더 강한 손을 가져야했습니다 그리고 규칙 세트와 시스템을 생각해 내야했습니다 그리고 우리 고유의 프로세스가 필요합니다 그래서, 비록 당신이 같은 것을 주었더라도 – 우리는 다른 뮤지션이나 정말로이 방에있는 누군가를주었습니다 똑같은 가사가 기계 출력을 생성했습니다

동일한 표기법 데이터를 사용하면 서로 다른 레코드를 만들 수 있습니다 그것은 개인적인 해석에 관한 것이기 때문에 이것으로 무엇을 할 지,이 모든 소스 자료 그래서 나는 정교함의 부족에 유쾌하게 놀랐다 나는 생각한다 네

JESSE ENGEL : 네 웨인, 너의 경험으로 그 느낌을 되니? WAYNE COYNE : 나는 우리 일이 너무 많은 추진력 그리고 나는 항상 – 나는 너무 많은 질문이 있다고 생각한다 있잖아? 너에게 물어볼 질문이있어 그게 무슨 소리 죠? 승인

로스 앤젤레스에는 가벼운 것이 있습니다 맞죠? CLAIRE EVANS : Triforium 네 네 네

그래서 그것이 말하는 단어는 무엇입니까? CLAIRE EVANS : Polyphonoptic 알아 네가 그걸 원한다고 생각 했어 그게 뭐야? 내 말은, 심지어 한 마디인가? 음향학과 같습니다 진짜가 아니에요

내 말은 한 마디 야 WAYNE COYNE : 좋습니다 CLAIRE EVANS : 모든 단어는 하나의 단어입니다 WAYNE COYNE :하지만 그것은 한 마디니까? CLAIRE EVANS : 모든 단어는 하나의 단어입니다 WAYNE COYNE : 나는 뭐였지? [웃음] 사실입니다

그러니까 제 경험으로는 전혀 몰랐습니다 어쨌든 우리가해야할 일이 무엇인지 나는 우리가 무엇을했는지 결정하고 있다고 생각한다 5 분 전에 우리가 한 일을 토대로 할거야 내 말은, 우리가 한 모든 것 아이디어와 에너지 및 추진력으로 가속화되기 시작합니다

그리고 그것이 당신들이 화염 입술을 원했던 이유입니다 있잖아? 왜냐하면, 그들은 뭔가를 할거야, 알지? 그리고 당신은 이러한 자기 부과 된 규칙들에 대해서 이야기했습니다 그리고 우리가 가진 유일한 규칙은 당신입니다 지금해야 해 너는 가야 해

그리고 나는 그것을 좋아합니다 내 말은, 많은 시간을 당신이하고, 시간이 지나면, 당신은 두 번째로 추측합니다 이게 뭐야? 이거 괜찮은거야? 그리고 당신은 돌아가서 그것을 다시합니다 그리고 때로는 그렇게 할 수있는 힘으로, 그것을하십시오 당신은 결정을 내리고 당신은 20 가지 결정을합니다

당신이 그것에 대해 너무 불안한 시간을 갖기 전에 또는 무엇이든 그래서 저는 더 많이 생각합니다 그리고 우리는 우리가 앉아 있기 때문에 아주 운이 좋은거야 거기에 모든 단계가 있습니다 무언가가 효과가 없다면, 우리는 단지 당신을 비난했다

그리고 너도 알다시피, 너는 이걸 고쳐야 해 있잖아? 그리고 저에게 그것은 항상 협박적인 부분입니다 새로운 것 우리에게는 아주 새로운 볼보가 있습니다 차 안에있는 시리우스 방송국을 켜는 법을 아직 안다

있잖아, 너 운전하고있어 당신은 아무도 죽이지 않으려 고합니다 그리고 마지막 비틀즈 역에 가려고합니다 네가 온 줄 알았어 그래서 나는 항상 내가 돌아서는 것을 두려워하게된다

차 꺼져 있거나 뭔가 그래서 그것이 어떻게 작동하는지 모르면, 나는 항상 두려워합니다 그러나 너희들을 거기에서 보내면서 우리가 일하는 방식을 보여 주었다 그리고 나서, 우리는 즉시 가고 싶습니다, 오, 음, 나는 이것을하고 싶다 나는 그것을하고 싶다

그리고 그것은 많은 사람들이 가지고있는 사치가 아니라고 생각합니다 그러나 나는 그것이 우리를 격려했던 것처럼 느꼈다 너희들처럼 어리석은 짓이라면, 너도 알다시피, 고맙게도 우리가있게했습니다 내 말은, 이것이 곧 시작되었다는 생각 이 작은 장치가있는 피아노가 있습니다

그리고 30 초 후, 거기에 과일 한 그릇이 있습니다 스티븐은이 놀라운 클래식 음악을 연주합니다 바나나와 딸기, 오렌지를 사용하는 조각 그리고 당신이 거기에있을 때 그리고 모든 일이 일어날 때, 그것은 상쾌합니다 그리고 저는 저 같은 사람이 그 아이디어를 생각합니다

키보드로 연주하지 않을거야 우리는 기타로 연주하지 않고, 연주하지 않습니다 우리는 과일을 가지고 노는 중이 야 그냥 가져 가라 다른 영역으로

그래서 어떤 사람들은 말합니다 음, 그건 아마도 아이들이 무엇을 할 것인가

있잖아, 네, 음표를 연주 할 수 있을까요? 오렌지 또는 딸기에 그리고 나처럼 될거야 네 ADAM ROBERTS : 그래, 우리가 거기에 있었지만, 맞아, 그래서 우리는 당신이 마주 쳤던 일종의 문제를 해결할 수있었습니다 예측할 수없는 수준이있다

이러한 알고리즘에 권리? 네 네 ADAM ROBERTS : 그리고 저는 여러분들 모두가 당신의 일에서 그것을 경험했습니다 그래서 나는 듣기에 호기심이 많다

클레어와 함께해라 사물의 일부가 있었기 때문에 네가 어떤 선택 의지를 포기하고 있다는 것을 맞아, 너 한테 가사를 쓰게 한거야 그리고 당신의 경우, 당신은 라이브 공연을 할 것입니다 어디에서 재생할지 정확히 알 수 없습니다

네 네 ADAM ROBERTS : 어떻게 포기하고 있니? 이 기관의 조금, 어떻게 통제력을 유지하고 예술적 비전이 여전히 유지되는지 확인하십시오 이 위에 빛나는? 그래, 그래 나는 궁극적으로 아무것도 생각하지 않는다

우리 이름으로 세상에 나간다 몇 달 동안 술에 취하지 않은 우리 거실에있는 컴퓨터에 우리에게는 궁극적 인 대행사가 있습니다 그리고 우리가 시작하는 프로젝트도하고 있다는 사실은 일종의 심미적 도발과 같습니다 우리는 우리가하고 싶다고 결정했습니다

하지만 동시에– 나도 모르겠다 내 말은, 대체 할게 여기 있다고 생각해 우리 프로세스의 측면에서 초기 잼, 초기 소리 수집, 초기 채우기 가사 아이디어와 함께 노트북을, 일종의 생성 순간 그리고 서로 방에 끼어 들지 않고, 우리는 모델로 서버에 끼어 있습니다 그리고 우리가 끝내는 것은 대량의 소스 자료입니다

함께 일해 그리고 내 마음 속에서 일이 시작됩니다 창조적 인 작업이 시작됩니다 그리고 나는 작가이기도합니다 그래서 나는 강하게 믿습니다

그 글쓰기는 편집 중입니다 맨 처음에 페이지에 넣은 것 푸가 상태에서 일어나는 일과 같습니다 총 난장판 그리고 나서 실제로 뭔가를 할 때까지는 쓸모가 없습니다 그리고 나는 그것이 같은 것이라고 생각합니다

내 말은, 가사 아이디어로 가득 찬 노트북은 노래가 아냐 정말 멋진 소리로 스튜디오에서 한 잼 순간에는 노래가 아닙니다 당신이 그 일들로 무엇을하는지, 당신을 어떻게 데려 오는지, 구조화 방법, 배열 방법, 생성 방법 그들을 수행하고, 수행하며, 그리고 아마도 앞으로 수년 동안 그것들을 수행하십시오, 그 노래 야 네 네

CLAIRE EVANS : 그래서 나는 정말로 우리가 무엇이라도 포기했던 것처럼 많이 느껴 져요 우리는 일종의 속도를 높이거나 변경했습니다 프로세스의 성격 나는 그것이 더 빠르다고 생각조차하지 않는다 사실, 느린 것 같아요

수동으로 주석을 달려면 시간이 오래 걸렸다 고 생각합니다 MIDI에서 우리의 뒤 카탈로그와 올라와 200 만 단어의 사물로 우리가 생각한 것과 똑같은 일이 어떤면에서 우리 머리 속에 차고있다 나는 그것이 실제로 여러면에서 지루하다고 생각합니다 그래, 네가 포기할 것을 결정할거야

그러나 당신은 또한 매개 변수를 결정합니다 네가 어떻게하는지 그리고 나서 당신이 나중에 그걸로 무엇을하는지 정말 중요한 것입니다 JESSE ENGEL : 그것은 작곡 과정에서 더 많은 것이 었습니다 얼마나 많은 것을 통제하고 있는지 그리고 얼마나 편집하고 있는지

그래서 웨인 (Wayne)은 더 많은 성과를 거둔이 작품을 가지고, 맞아, 너는이 [무관심한] 상호 작용이있다 어디 있니? 너 얼마나 있니? 무슨 일이 일어나고 있는지 그리고 얼마나 많은 기회가 있는지를 제어합니다 실적의 요소? WAYNE COYNE : 네 내 말은, 우리가 그걸 보았던 방식, 심지어 그 길까지 우리는 심지어 보았다 너희들은

우린 우리가 공동 작업자를 데려 오는 중 내가 무슨 뜻인지 알지? 우리는 항상 그렇게 해 그리고 때때로 당신은 그것을 후회하게됩니다, 아시죠? [웃음] 한 번 노래에 디지털 트럼펫 부분이있었습니다

우리는 그것이 훌륭하다고 생각했습니다 그리고 트럼펫 연주자가 스튜디오에 왔습니다 그리고 우리는 네가 무엇이든 원하는대로 놀아달라고 말했습니다 있잖아? 그리고 조금씩, 우리는 무엇을 좋아하지 않았습니다 그는 어떤 이유로 든 연주했습니다

그의 잘못이 아니었다 우리는 특정 아이디어에 갇혔다 그리고 그 말에 우리는 말했습니다, 음, 우리가 한 것을 정확하게 연주 할 수 있습니까? 진짜 트럼펫에서만 연주하니? 그리고 그가 떠난 후, 우리는 실제로 나팔을 사용하지 않았습니다 있잖아? 하지만이 모든 일은 내가이 일을 좋아한다고 말하는 과정입니까? 내가 얼마나 신경 쓰겠 니? 나에게 얼마나 중요합니까? 그리고 당신은이 모든 다른 이유들을 겪습니다 그리고 진짜 이유가 없습니다

그것의 끝에 당신의 이유는 나는 그것을 좋아한다 나는 그것에 깊은 의미가 없다 우리를 위해서, 우리는 그것에 들어갔다는 것을 의미합니다 우리가이 협력을하기를 원한다는 것을 알고 있습니다 그리고 트럼펫 연주자와는 달리 우리가 만질 수있는 너 한테이 말을했다

우리는 정말로 나는 소리로 시작했다 처음부터 좋아했다 그리고 나는 소리를 듣기 시작할 것입니다 나는 이미 노래를 생각하기 시작했습니다 나는, 어이, 다시 해봐

있잖아, 너는 일을 떠난다 나는 기다린다 이 다른 소리로 돌아가십시오 그래서, 저에게, 그것은 제가하는 모든 것입니다 그것은 말하고있는 것을 촉발시키고 있습니다

오, 나는 그것을 노래로 바꿀 수있다 나는 이미 내가 무엇을 노래하고 싶은지 알고있다 우리가 그것을 우리가 생각하는 것으로 바꾸어 놓을 것을 알고 있습니다 수행해야한다 우리는 생각할 때 결코 그것을 고려하지 않습니다

그것이 될 것 인 것의 안에서 그래, 나에게는 단지 두 개의 다른 세계 일 뿐이다 있잖아? JESSE ENGEL : 네 WAYNE COYNE : 그리고 우리가 알고 있다는 것을 알고 있습니다 우리가 관객들이 그 부분의 일부가되기를 바란다면, 나는 우리가 갔을 때, 아이디어에 대한 우리의 초기 파동이 빠르게 우리가 생각한 그걸 만들려고 – 우리가 청중과 함께있을 때 그들은 우리와 함께이 일을하고 있습니다

그들은 물건에 대한 그들의 공헌을 이해할 것이다 우리는 상호 작용하는 것에 대해서 이야기했다 당신은 당신이 그것을하기 위해 무엇을하고 있는지 확실히 모릅니다 너도 알다시피, 너는 네가 느끼는 종류의 것들을 많이 가지고있다 너는 팔을 움직이기로되어있어

또는 특정 장소에 서서 뭔가를합니다 그러나 당신은 그것이 무엇을하고 있는지 확실히 말할 수 없습니다 그리고 나는 우리가 엄청난 노력을 기울인 것으로 생각한다 이 일이 벌어지고있을 때, 좋고, 나쁘고, 무관심하다 그것의 성장, 그것의 죽음, 그것의 지루함, 그것의 흥분에

당신이 그것에 기여했습니다 나에게 어떤 것은 이미 우리가 원하는 것입니다 왜냐하면 저에게 재미가있는 곳이기 때문입니다 그것이 에너지의 원천입니다 우리는 실제로 우리가 가장 큰 것을 만들 것이라고 말하고있는 것이 아닙니다

음악의 조각 우리가 할 수도 있습니다 하지만 나에게 그것은 콘서트 나 다른 무엇이 아닙니다 우리 모두는이 일에 참여할 것입니다 우리는 우리 자신의 에너지를 창조하려고합니다

우리 자신의 시간을 만들고, 우리 자신의 일을 만듭니다 JESSE ENGEL : 그리고 언급 했으니 까 상호 작용에는 예측할 수없는 것이있다 이걸로 그리고 많은 음악과 기술 그 예측 불가능 성으로 항상 진화 해왔다

기타 앰프는 왜곡되지 않았습니다 그러나 사람들은 그들을 위로 돌 렸고 그들은 위대한 소리가 나는 것을 알았습니다 있잖아? 또는 원래 808 드럼이 생각났습니다 드럼 세트를 정확하게 재현하는 것입니다 하지만, 전자, 힙합에서 정말 좋은 것처럼 들리네

음악 WAYNE COYNE : 물론 그렇습니다 JESSE ENGEL :이 새로운 기술로 인해, 기계 학습, 클레어처럼 당신은 그들이 어디에서 실패했는지에 대한 경험이 있습니다 아마도 실패는 흥미로운 부분이었을 것입니다 그래, 그래

내 말은, 그게 실패에 관한 전부라고 생각해 완벽한 순간은 내가 관심을 멈추고, 나는 생각한다 나는 멜로디 정보가 빗나간 그 순간들을 생각한다 인간이 수행하거나 수행하는 모든 것에서, 또는 도구가없는 순간 그것이해야 할 일에 대한 당신의 기대에 응하십시오 하지만 완전히 다른 무언가를합니다

그것은 808이나 NSynth와 같이 더 흥미 롭습니다 그건 그렇고, 그것은 놀라운 신경 합성기입니다 Google은 만든다 하지만, 네, 그 순간이 있습니다 나는 이것이 가장 흥미로운 결과라고 생각한다 당신이 무엇을 결정할 수 있기 때문에 당신의 취향은 때때로 있습니다

나는 취향이 종종 뭔가에 대한 반응이라고 생각한다 당신에게서 직접 오는 것보다 너는 뭔가를 본다 너는 마치 내가 좋아한다 나는 그것을 좋아하지 않는다 그리고 그것이 당신이 당신이 누구인지를 결정하는 것과 같습니다

당신이하고 싶은 것, 어떻게 자신을 표현하고 싶은지 그리고 나는 그것이 매우 흥미롭고 도움이된다고 생각합니다 이런 종류의 중립적 인 내 말은, 인공 지능은 중립적이라는 말을 안다 로드 된 물건의 -하지만 중립적 인 다른 파티 너의 밴드 메이트 중 하나가 아닌 방에 그 아이디어를 제안합니다 그리고 우리는 모두 그것에 동의 할 수 있습니다

그리고 우리 모두는 그것에 동의 할 수 있습니다 우리가 그 생각을 없애면 누구도 상처를 입지 않습니다 왜냐하면 그것은 우리 중 누구 에게서도 오지 않았기 때문입니다 우리는 그것과 사랑에 빠지며 앞으로 나아갈 수 있습니다 그룹으로 또는 아닙니다

그리고 우리는 우리 관계가 누구인지를 결정할 수 있습니다 동의하거나 반대함으로써 서로에게 생성 된 다른 출력에서 하지만, NSynth는 예를 들어, 여러면에서 808과 비슷합니다 이 도구가 한 가지 일을하기 때문에, 그것은 제비의 차이를 나누기로되어 있습니다 빛과 공간을 사용하여 다른 소리의 제 의견으로는 일종의 실패입니다

내 말은, 그것은 그 차이를 설득력있게 찾지 못한다 자동차 경적과 플루트 사이 샘플 속도의 종류가 너무 낮아 그것이 들리는 종류의 리듬 우키하고 괴상 해 그리고 처음에는 우리는 그게 마치 우리는 이것이 실패라고 생각했습니다 우리는 그것이 재미 있지 않다고 생각했습니다 우리가 808과 같은 생각을 시작할 때까지는 아니 었습니다 우리는 그것이 그 자체의 미적 감각을 가진 도구임을 깨닫게되었고, 그 자신의 종류의 이상하고, 멍청한, 갈대 소리 그것은 우리에게 정말로 흥미로워졌다

그리고 지금은 우리 기록의 큰 부분입니다 다시 말하면,이 객체들 중 하나이기 때문에 그것은 하이테크와 로우 테크 모두 동시에입니다 그리고 그것은 정말로 낮은 Fi라고 들립니다 하지만 수백만 달러의 기계 학습이 필요합니다 그 소리를내는 연구

그 병치는 우리에게 꽤 매력적입니다 아담 로버트 : 예, 불행하게도, 우리는 시간 중 하지만 클레어에게 감사드립니다 WAYNE COYNE : 예! ADAM ROBERTS : 그리고 Wayne for coming [박수 갈채] 네

ADAM ROBERTS : 고마워요 알았어, 고마워 그리고 그들은 오늘 밤 둘 다 놀고 있습니다 그래서 쇼를 확인하십시오 [GOOGLE LOGO MUSIC]

How Alan Turing laid the foundations for AI: The Turing test explained

[Anders Sandberg] 그래서 Alan Turing의 아이디어 그의 시험을 위해 가지고 있던 것은 주로 철학적 인 지점을 만들기위한 것이었다 생각하는 기계에 대해 생각하는 것이 합리적입니다

너가 무언가와 상호 작용한다면 지능적인 답변을주는 것 같습니다 당신은 아마 그것을 지적인 존재로 대우해야합니다 그것은 실제 정보에 대한 실제 테스트입니까? 꼭 그런 것은 아닙니다 [머레이 Shanahan] 그래서 나는 게임이 실제로 있다고 생각합니까 인공 지능의 더 나은 테스트 그래서 한 가지 이유는 디자이너들이 정직하게 지켜야한다는 것입니다

다른 누군가가 게임을 디자인하기 때문에 그리고 그 게임을 잘하는 것을 의미합니다 또 다른 이유는 지능의 많은면을 포착하고, 이미지를 이해하는 능력처럼, 보상을주는 행동을 수행하고 앞서 계획을 세우는 것 앞으로 생각해보십시오 게임 환경에서 그렇게 많은 것들이 테스트 될 수 있습니다

AI vs Climate Change: Insights from the Cutting Edge (Google I/O'19)

[음악 재생] 안녕하세요, 여러분 세션에 오신 것을 환영합니다

내 이름은 무스타파 저는 DeepMind의 공동 설립자입니다 그리고 오늘 아침, 나는 너에게 작품에 대해 조금 말하고 싶다 기계 학습을 사용하기 위해 우리가 해왔 던 기후 변화에 대처하는 AI 그래서 당신은 우리의 사명을 잘 알고있을 것입니다

우리의 사명은 정보를 해결하려고 노력하는 것입니다 그리고이 임무를 수립 할 때 우리에게 핵심적인 동기가 주어졌습니다 우리는 2010 년에 회사를 설립했습니다 핵심 질문에 대한 답변을 시도합니다 " 우리를 독특하고 예외적 인 것으로 만드는 것을 종으로서 – 우리의 마음, 우리의 지능, 창의력, 장기적인 계획을 세우기 위해 정말 놀라운 직감을 가졌다

복잡한 사회 시스템에서 통찰력을 발견 했습니까? " 우리가 그 본질을 추출 할 수 있다면 어떨까요? 알고리즘 구성으로? 우리가 그걸 사용하고 받아 들일 수 있다면 그것은 대단하지 않을까요? 병렬 컴퓨팅, 액세스의 이점 방대한 양의 교육 데이터, 세상에서 정말 중요한 일을하기 위해 그것을 사용합니까? 우리를 이끌었던 동기도 마찬가지였습니다 지능을 해결하는 건축가에게 우리의 핵심 사명입니다 그리고 전 세계의 위험에 처한 것이 무엇인지 생각합니다 가장 까다로운 문제 중 상당수가 과학에서 다루기 힘들 정도로 복잡하다 날씨 모델링에 거시 경제학에

우리는 시스템의 복잡성에 압도 당한다 우리 주변에 수와 톤의 데이터가 있지만 시도하는 중입니다 그 데이터로부터 통찰력을 추출한다 원인과 결과 사이의 관계를 배우십시오

의미있는 예언을 할 수있을 정도로 충분히 이러한 환경에서 점점 더 도전적입니다 따라서 중요한 질문은 "우리가 종류의 시스템을 사용할 수 있었다 우리가 개발해 왔으며 새로운 통찰력을 얻으 려 노력하고 있습니다 실제로 그것을 통찰력을 실제 행동으로 바꾼다 실제로 이러한 재고 사회 도전에 영향을? " 그것은 우리의 핵심 동기였습니다

우리는 새로운 도구, 인간이 통제하는 새로운 도구가 정말로 필요합니다 우리를 도와 우리를 돕기 위해 디자인 한 우리 주위 세계의 복잡성을 이해합니다 그리고 우리는 지금 몇 년 전에 시작되었습니다 Atari의 옛날 학교 도전에 우리의 첫 번째 획기적인 돌파구는 2015 년입니다 몰라서 너를 위해서 – 나는 모두가 확신합니다

Atari 게임 세트는 100 가지 정도의 환경이었습니다 80 년대와 90 년대 경부터 당신은 Pong에서 Space Invaders에 익숙 할 것입니다 우리를위한 도전은 실제로는 원시 환경 만 가져야합니다 순전히 픽셀을 입력으로 제공하고, 무엇에 대해 아무 말도하지 않은 대행자에게 제공하십시오 그들은 할 수 있고, 어떤 사전 지식도주지 않았으며, 발견 적 방법이 아니라 모든 것 순수하게 처음부터 배워야합니다

우리가 제공하는 것은 단순히 목표입니다 이 경우 최적화 목표는 점수였습니다 한 명의 상담원이 게임을 배울 수 있습니까? 이 모든 게임은 인간 수준의 성능으로 또는 단순히 상관 관계 점수를 통해 선행 상태의 보람있는 결과 과거의 상호 작용을 통해 일어났습니다 게임을하고 있었나요? 그리고 여기서 중요한 직감은 로봇을 상상해 보는 것입니다 실제로 무슨 감각이없는 아케이드에서 뒤에서 계속되는 정보, 추가 정보 없음, 조이스틱 만 제어하면됩니다

그리고 화면을보고 여기에 당신을 보여주는 작은 비디오가 있습니다 우리 요원을 처음 세웠을 때의 모습 이 환경에서 놀아 라 무작위로 좌우로 움직이는 것을 볼 수 있습니다 바닥에있는 외륜

그리고 대부분의 경우, 그것은 완전합니다 벽돌이 전혀 없다 300여 게임을 지나면 에이전트가 보인다 점수 간의 상관 관계를 배우기 올라가서 노를 선제 적으로 바른 위치로 옮긴다 공을 블록으로 두드리라

정말 흥미로 웠던 것은 약 500 게임 정도가 지나면, 정말 예기치 않게 그리고 우리 중 많은 사람들에게는 매우 놀랍습니다 엔지니어들은 발견했다

터널링 전략 그것이 단지 위로 공을 pummel 수 있다면, 최소한의 노력으로 최대 점수를 얻을 수 있습니다 그리고 이것은 실제로 흥미 롭습니다 처음으로 우리가 정말 직감을 가졌습니다 우리가 무언가에 있었다는 것

시스템의 어떤 것도 사전 프로그래밍되지 않았습니다 발견 적 방법론은 없었습니다 엔지니어 중 누구도 간단한 트릭을 직접 코딩 할 수 없었습니다 이 같은 그러나 순전히 자기 놀이를 통해, 체계 새로운 지식을 발견했다

이것이 DeepMind의 핵심 퀘스트입니다 우리는 어떻게 새로운 통찰력과 새로운 지식을 발견 할 수 있습니까? 우리는 이것을 몇 년 후 연장했다 Go의 고대 게임을 다루기 위해 Go 게임에 대한 놀라운 점 엄청난 복잡성은 매우 놀랄만 한 단순성 게임에는 거의 규칙과 제한 사항이 없습니다

이 같은 19 – 19 직업적인 보드에, 흑인과 백인 돌의 각 플레이어 보드에 하나의 돌을 놓기 위해 번갈아 가며 다른 돌은 없어 그리고 시간이 지남에 따라 목표는 상대방의 돌로 여기에서 볼 수있는 방법으로 영토를 정복하십시오 게임에 관한 놀라운 점 이 간단한 규칙 만 있으면됩니다 10과 같은 것이 있습니다 보드의 170 가지 가능한 구성의 힘

그래서 여기에서 보는 것은 직감입니다 브랜칭 팩터의 매 순간마다 몇 백개가 더 있습니다 위치 그리고 그 일이 계속 반복됩니다 그리고 그것을 어떤 종류의 상황에서 시도하고 배치하는 것 – 10에서 170의 거듭 제곱으로 추정됩니다

알려진 우주 안에있는 것보다 더 많은 원자가되는 것, 이 방에있는 모든 액체와 고체와 가스에서, 우리 행성 전체에 우리 주위에, 그리고 알려진 우주에서 더 많은 원자 또는 원자 수가 적습니다 우주 안에는 이동의 게임에서 가능합니다 따라서 손수 제작 된 규칙을 작성하는 전통적인 방법 발견 적 방법은 명확하게 확장 할 수 없습니다 정말 중요한 직감입니다

왜냐하면 우리 세계의 많은 사람들이 가장 복잡한 도전 과제는 똑같은 종류로 진전하고 싶다 특성의 감사하게도, 우리는 세계를 성공시키는 데 성공했습니다 당시의 게임에서의 챔피언 그리고 이것은 정말로 획기적인 순간으로 인식되었습니다

인공 지능의 개발에 그러나 정말로 흥미롭게도, Lee Sedol, 누가 우리가 플레이 한 게임의 전설 중 하나 였습니까? 원래 한국에서 몇 년 전, 게임 후 매우 흥미로운 것을 말했다 그의 초기 평가는 다음과 같습니다 그는 AlphaGo가 확률에 근거한다고 생각했다 계산이었고 단순한 기계였습니다

그러나 그가 화려한 움직임의 일부를 보았을 때 AlphaGo가 놀 수 있었고, 그의 마음이 바뀌었다 "확실히,"AlphaGo는 창의력이 뛰어납니다 " 그가 언급 한 구체적인 움직임은, "창조적이고 아름다웠습니다" 그리고 이것은 우리에게 정말로 흥미로 웠습니다 다시 한 번 우리에게 보여 줬기 때문에 상호 작용을 통한 자기 놀이를 통한 시스템 우리가 디자인 한 환경에서 새로운 전략을 발견 할 수있다

세계 최고의 선수들조차 놀라웠습니다 AlphaGo 이후 AlphaZero라는 이름으로 확장했습니다 우리가 일반화 할 수 있다는 것이 정말로 흥미 롭습니다 AlphaGo는 다른 2 명이 즐길 수있는 게임입니다 그래서 우리는 시스템이 가졌던 유혹에 정말로 저항하고 싶었습니다

특정 게임을 정말 잘한다 분명히 인간으로서 우리를 정말로 인상적으로 만드는 것은 무엇입니까? 새로운 기술을 아주 빨리 배울 수 있다는 것입니다 실적이 좋았던 경험을 바탕으로 다른 도메인에서 예를 들어, 자전거 타는 법을 안다면, 당신은 아마 조금 더 나은 것을 할 것입니다 오토바이에서 일하고 그 사전 지식은 견뎌야합니다 그 학습 학습 접근 방식은 정확히 무엇입니까? 우리는 굶주 렸습니다

그래서 우리는 그것을 확장하기 위해 AlphaGo를 테스트했습니다 다른 게임들로 다시 말하지만, 완전히 일반적인 방식으로 처음부터 완전히 배우는 것은, 오프닝 서적 없음, 게임 종료 데이터베이스 없음, 경험적 방법이 없습니다 셀프 플레이는 무작위로부터 시작하여 참조가 전혀 필요하지 않습니다 과거의 인간적인 게임에, 순전히 유기적으로 흥미로운 점은 알고리즘의 속도는 실제로 경이 롭다

그래서 AlphaGo Zero는 사전 지식이 없었습니다 매우 기본적인 규칙 만 0 일에 그것의 입력에 3 일 후 AlphaGo Zero가 그 능력을 능가했습니다 AlphaGo Lee의 버전입니다 세계 챔피언이 세돌, 5 경기 중 4 경기 승리 2015 년 그로부터 3 주 후 AlphaGo Zero AlphaGo 마스터 레벨에 도달하면, 60 명의 최고 전문가를 온라인으로 격파 한 버전 와 세계 챔피언 Ke Jie는 3 명 2017 년 3 게임 중

그리고 40 일 후에 AlphaGo Zero AlphaGo의 다른 모든 버전을 능가하며 틀림없이 세계 최고의 프로그래머가되었습니다 그리고, 다시, 여기에서 중요한 직감 더 많은 교육 시간, 더 많은 셀프 플레이, 알고리즘과 에이전트를 제공합니다 더 많은 경험과 더 많은 예제를 통해 배우고, 가능한 상태 공간의 더 큰 분포 그리고 이렇게함으로써 훨씬 더 일반적이고, 훨씬 더 유연한 통찰력 그래서이 단일 시스템,이 일반적인 모델 최고의 시스템을 이길 수있었습니다

쇼기에서는 4 시간 이내에 체스에서, 궁극적으로 8 시간 이내에 이동합니다 따옴표를 보는 것은 정말 흥미 롭습니다 전 세계 체스 챔피언 중 한 명인 게리 카스파로프 (Garry Kasparov) 그는 이렇게 말했다 "그 의미는 멀리 간다 내 사랑하는 체스 판에 속한다

이 독학 전문가 머신을 할뿐만 아니라 엄청나게 잘 수행하지만 우리는 실제로 그들이 만들어내는 새로운 지식으로부터 배우십시오 " 그리고 다시, 이것은 정확히 공생하는 인간과 기계입니다 우리가 배고픈 관계 에이전트 시스템은 어떻게 우리를 제공 할 수 있습니까? 새로운 통찰력과 새로운 지식을 가진 인간 그런 다음 우리가 행동을 취하기 위해 사용할 수있는 우리 자신의 복잡한 환경에서 그리고 다시, 기차 시스템 과정을 개선하기 위해? 그리고 나는 진정으로 시간을내어 정렬하고 싶다 이게 진짜이기 때문에 물러서십시오

지능을 해결하는 우리의 핵심 임무 뒤에 진짜 목적 어떻게하면 기계가 우리를 가르치는 데 도움을 줄 수 있습니까? 새로운 통찰력, 새로운 전략 및 새로운 지식 무엇보다 먼저 실제로 문제에 집중해야한다 오늘 세계의 문제? 그리고 정말로 마음에두고있는 것은 우리의 자유로운 선택이라고 생각합니다 정말로 중요한 문제를 해결하고 무엇이 핵심적인 문제인지 오늘 우리 세계의 목적은 무엇입니까? 그리고 우리에게 더 큰 순간은 없을 것입니다 이러한 현실적이고 굳건한 사회 문제를 해결해야합니다

예를 들어, 기후 변화에 도전하십시오 우리는 지난 150 년 동안 지구 평균 표면 온도가 년 정도지나면서 급격히 증가하고 있습니다 우리는 잠재적으로 궤도에 있다는 것을 압니다 온도가 2도 상승하면 우리 세계에 돌이킬 수없는 결과를 초래할 수있다 우리의 생태계에 막대한 영향을 미친다

NASA에 따르면, 행성의 평균 표면 온도 19 세기 이래로 이미 약 09도 증가했다 내 말은, 이것은 과학적인 사실이며 분명히 분명하다 우리에게 가장 시급하고 긴급한 문제 중 하나 궤적이 뚜렷하기 때문에 초점을 맞춘다 정말로 걱정하고있어

평균 섭씨 15도 상승 종의 30 %를 멸종 위험에 놓을 수 있으며, IPCC에 따르면 그리고 섭씨 2도에서 대부분 생태계가 모두 살아남 으려면 힘들어 질 것이라고 생각하십시오 그러나이 온도 상승은 물론, 동물과 생태계에만 영향을 미치지 않습니다 3 도의 지구 온도 상승 3 억 3 천만 명이 실향민이 될 것으로 추산된다 UN에 따르면 혼자 범람 함으로서 사실, 이것은 현재 우리 모두에게 실제로 영향을줍니다

오늘 여기서 우리가 서있는 곳에서 해수면은 3 피트 2100 년 그리고 IO에서 바로 지금 일어날 일을 살펴보십시오 이것은 우리가 서있는 곳에서 우리를 물속에 방치 할 것입니다 꽤 놀랍습니다 따라서 기후는 우리의 가장 큰 도전 중 하나입니다

그리고 3 ~ 4 년 전 우리는 핵심 질문 인 "우리가 어떻게 할 수 있을까? 팀이 상당한 액수를 집중하기 시작함에 따라 이 정말로 중요한 문제에 대한 우리의 노력에 대해 그리고 물론, 에너지 소비 기후 변화에 가장 큰 공헌자 중 하나이다 그 자체 그래서 우리는 Google에서 작업 할 두 가지 핵심 기둥을 제공했습니다 첫 번째는 우리가 극적으로 기존 시스템의 효율성 증대, 소비자 측면 에서뿐만 아니라 사물의 대규모 산업 시스템 측면에서 둘째, 우리는 도입을 빠르게 가속화 할 수 있을까요? 재생 에너지 중? 우리는이 기술이 가능하다는 것을 알고 있습니다

가격이 급락하고 있습니다 그러나 몇 가지 중요한 장벽이 있습니다 우리가 기계 학습이라고 생각하는 입양에 모델이 도움이 될 수 있습니다 그래서 저는이 두 가지 목표에 관해 이야기 할 것입니다 그래서 우선, 우리는 소비자 측면에서 무엇을 했습니까? 글쎄, 우리는 안드로이드와 훌륭한 협력 관계를 맺어왔다

지금 3 년 넘게 팀을 이뤄라 우리가 해왔 던 일은 배터리 수명을 연장시키는 것입니다 당신이 당신의 전화에서 얻는 것, 당신의 전화가 당신과 매우 상호 작용하는 방식 개인화 된 방법 우리는 CPU 가동율을 30 % 감소 시켰습니다

이제 Android Pie로 출시됩니다 이미 약 25 억 명의 사용자가 발생했습니다 이것은 엄청난 공헌을했다 전체 배터리 증가 Pixel의 한 번의 충전으로 약 30 시간 정도 소요됩니다 그래서 이것이 어떻게 효과가 있었는지 조금 있습니다

우리는 기본적으로 안드로이드 팀과 함께, 2 층 깊이 컨 벌루 셔널 신경망 구축 그 위에 신경 네트워크가있다 앱이 주어진 간격으로 열린다 여기 핵심은 우리가 추상화 한 것입니다 앱 상호 작용의 익명화 된 순서 당신이 가지고 있었고 그때 당신이 언제 예측했는지 다른 앱과 관련하여 앱을 사용할 가능성이 있음 당신이 미래에 사용하고 있었던 그래서 우리는 예를 들어 어떤 사람들은 아침에 특정 앱을 사용하려면, 출퇴근길에있을 때나 빨리 갈 때 말하십시오 귀하의 뉴스에 액세스하십시오

다른 앱은 주말에 더 많이 사용되는 경향이 있습니다 그리고이 관계는 정말로 중요합니다 어떤 앱을 최적화 할 수 있는지 그들은 배경에서 열립니다, 우리는 분명히 할 수 있습니다 배터리 수명을 크게 줄여 준다 물론 모든 애플리케이션과 마찬가지로 우리가 시도하는 배포 및 출시, 공정성과 프라이버시에 많은 관심을 기울입니다

따라서 한 앱에 대한 편애가 다른 앱에 비해별로 없습니다 그 모든 것들이 완전히 밝혀졌습니다 방법과 다른 방식으로 특정 앱을 사용할 수 있습니다 다른 앱을 사용합니다 실제로는 그렇지 않습니다

전혀 고려하지 않았다 완전히 개인화되어 있으며 개인 용도로 사용됩니다 정말 중요한 것입니다 그러나 물론, 우리는 사생활 보호적인 방식으로 개인화하고, 뿐만 아니라 모든 개인 식별 데이터 실제 모델이 훈련되기 전에 제거됩니다 그러면 모델이 로컬 장치에서 재교육됩니다

나는 정말로 흥미롭고 유망한 증거가 될 것이라고 생각한다 우리는 국부적으로 훈련 된 것에 더 가깝고 가까워 질 것입니다 향후 5 년 동안의 모델 이제 주머니 속의 프로세스들로부터 이동하기 클라우드의 프로세스들 – 물론 Google에서 우리는 가장 크고 실제로 이미 가장 잘 설계되고 효율적인 세계의 산업 시스템

Google 데이터 센터를 살펴보기로 결정했을 때, 전문가 엔지니어 중 일부는 거의 20 년 동안이 시스템에서 작업 해왔다 이제 조금 놀랐습니다 훨씬 더 효율적으로 만들 수 있다고 생각했습니다 그들은 매우 협력 적이었고, 우리는 3 년 간의 여행에서 우리가 기계 학습 시스템을 사용하여 개선 할 수 있음 Google 데이터에서 전력이 어떻게 관리되는지에 대한 효율성 센터 함대 그리고 이것은 매우 중요한 문제입니다

우리 모두가 지옥을 많이 소모하기 때문에 더 많은 데이터 센터의 에너지 및 스토리지, 방대한 양의 데이터를 생성합니다 전 세계 데이터 센터는 실제로 3 % 세계 전기의 그리고 물론, 그것은 빠르게 성장하고 있습니다 우리에게는 엄청난 기회가 있습니다 기존 데이터 및 기존 시스템을 사용해보고 사용하려는 경우 훨씬 더 효율적으로 실행할 수 있습니다 그리고 냉각 에너지는 실제로 전기의 가장 큰 소비자 중 하나 데이터 센터의 비 서버로드 이후 실제로, 냉각은 실제로 구성 할 수 있습니다

데이터 센터에서 사용되는 전체 에너지의 약 40 %를 차지합니다 어떻게 우리가 이것을 했습니까? 음, 분명히 모든 것이 다량으로 시작됩니다 에이전트에게 줄 역사적인 훈련 데이터의 방법에 대한 가시성을 시스템에 부여한다 과거에 시스템이 작동했다 그것을 시도하고 배우고 앞으로 그것을 복제하십시오

따라서 2,500 개가 넘는 데이터 입력이 있으며, 다시 한 번 수집의 많은 이점 중 하나를 보여줍니다 정말 풍부하고, 정말로 정확하고 잘 준비된 잘 알려진 데이터 오랜 기간 동안 들어오는 IT 같은 것을 볼 수있었습니다 부하, 전력계, 압력 센서, 유량계, 펌프 및 팬 속도, 경보, 외부 기상 조건 – 매우 풍부한 컨텍스트 데이터로드 에이전트에게 많은 정보를 제공하는 시스템이 어떻게 작동했는지 그리고 우리는 요원에게 20 가지 정도의 행동 통제

그래서 어떤 냉각탑이 활성화 될지 조정할 수 있습니다 그것은 얼마나 많은 냉각기를 조절할 수 있는가? 어떤 시간에 사용하고 있습니다 그것은 압력 설정 점, 온도 설정 점, 흐름 설정 점 – 전체 범위의 다른 제어 공간 동작 그래서 Atari와 같은 생각을하는 방법입니다 시스템이 학습하려고하는 것입니다

특정 상태의 데이터 간의 상관 관계 노력하고있는 원하는 행동 특정 목표와 관련하여 최적화 할 수 있습니다 물론, 그 목표는 기존 시스템을 실행할 수 있다는 것입니다 동일한 수준의 성능 – 우리는 분명히 어떤 드롭 아웃도 원하지 않는다 DC 가동 시간 및 가용성 그러나 적은 에너지로 그렇게 할 수 있습니까? 초기 버전의 시스템 작동 방식 5 분마다 클라우드 기반 에이전트가 데이터를 가져옵니다

이 수천 개의 센서 중 일부에서, 클라우드에서 일련의 청소 및 처리 작업을 수행하지만, 그런 다음 일련의 권장 사항을 제시합니다 그들을 조사한 다음 그것을 구현하는 작업자에게 그리고 이것은 모든 세트 포인트에 대한 컨트롤을 조정합니다 나는 언급했다 그리고 놀랍게도, 이것은 데이터의 40 % 감소를 제공 할 수있었습니다 센터 냉각 에너지

이것은 우리가 처음 만든 그래프입니다 우리가 기계 학습 모델을 켰을 때 약 48 시간 동안 기다렸다가 나중에 껐습니다 그리고 다시, 이것은 엄청나게 중요한 순간이었습니다 몇 년 전에 우리가 실제로 우리가 시도한 것을 우리가 할 수 있다는 것을 보여 주며, 우리가 창립했을 때 2010 년에하고 싶었던 것 페트리 접시, 장난감, 게임과 같은 환경, 실제로 그 환경에서 수업을 추출한다 현실 세계에 배포하십시오

이 경우, Google과 같은 거대하고 가치있는 산업 시스템에서 데이터 센터 함대 하지만 정말 흥미 진진한 점은 교훈이나 지식의 종류 그 과정에서 발견 된 많은 데이터 센터 엔지니어에게 놀라움을 금치 못했습니다 첫 번째는 부하를 분산시키는 것이 실제로 더 효율적이라는 것입니다 더 많은 장비에 걸쳐 따라서 데이터 센터 엔지니어로 생각하면, 수천 개의 데이터 센서 입력을 검토해야합니다

시간이 지남에 따라, 그리고 당신은 모든 종류의 컨트롤을 가지고 있습니다 당신은 적응할 수 있습니다 최적의 관계를 찾는다 서로 다른 냉각 장치 사이 들어오는 IT 부하가 다른 여러 시간에 다른 날씨 환경 가장 경험이 많은 데이터의 경우에도 엄청나게 어렵습니다 센터 엔지니어

그래서 그 하중을 분산시키는 것이 밝혀졌습니다 더 많은 장비를 통해 실제로 더 효과적이었습니다 또 다른 놀라운 직관은 더 높은 유속 실제로 칠러를 통해 항상 더 나은 것은 아니 었습니다 어떤 경우에는 더 나은 상태로 유지됩니다 그러나 많은 경우에 실제로 더 좋았습니다

기상 조건에 따라 냉각기로의 유량을 줄이십시오 그리고 마지막으로로드를 다른 조각에 적용합니다 일년 내내 장비의 효율성을 향상시키는 데 매우 중요한 방법이기도합니다 그렇다면 우리는이를 어떻게 확장하여 생산에 적용 했습니까? 함대 건너편? 음, 분명히 중요했습니다 우리는 안전을 우선 자동화 방식으로 채택했습니다

그럼 그 얘기 좀 해드 리겠습니다 프로세스의 첫 번째 부분은 완전히 동일하게 보였습니다 데이터 센터는 수많은 센서 정보를 생성합니다 주어진 순간의 상태를 설명합니다 그런 다음 모델은 일련의 권장 사항을 생성합니다

그러나이 경우 모델은 추천을 보냈습니다 로컬 데이터 센터 제어 시스템에 자동으로 인간이없는 사람들을 구현했다 루프에있다 그리고 이것 자체가 최초의 자율적 인 응용 프로그램이었습니다 우리가 알고있는 것은 대규모 산업 시스템입니다

따라서 중요한 안전 기능 중 일부는 – 첫째, 전체 함대에 대한 지속적인 모니터링이있었습니다 자동 장애 조치가있었습니다 아무것도 잘못되었을 경우를 대비하여, 부드러운 전환 휴리스틱 스가있었습니다 시스템이 정상적으로 오히려 실패하게 만들었다 새 매개 변수 세트로 갑자기 이동하는 것보다

2 단계 인증이 있으므로 지역 수준과 클라우드 수준 모두에서 두 단계 모두에서 투입물에 대한 검증이있었습니다 데이터 센터 운영자, 모델, 클라우드 팀 및 로컬 데이터 센터 팀, 너무 그리고 결정적으로 불확도 추정이있었습니다 그리고 저는 이것이 매우 흥미로운 것이라고 생각합니다 우리 기계의 해석 가능성의 시작입니다

학습 알고리즘 당신의 모델이 당신에게 정확하게 당신을주고 싶어합니다 그것이 얼마나 확실한지에 대한 신뢰 지수 특정 권장 사항 세트입니다 특별한 결과로 이어질 것입니다 바람직하다

때로는 좀 더 용기를 가질 수도 있습니다 그 신뢰 추산을 더 나아가게한다 당신이 바라는 목표를 향해 당신이 그렇게하기로 결심했다면 또는 더 제한적으로 유지하려는 경우, 당신이 무엇을 위해 최적화하고 있는지에 따라 그 순간에 국가가 얼마나 위험한 지 알 수 있습니다 그리고 물론 규칙과 경험이 항상 있습니다

그리고 인간은 항상 루프에있다 여기서 흥미로운 점은 12 개월 동안 우리의 자율 시스템이 배치에 있었고, 점점 더 많은 데이터 또는 교육 사례가 수집, 시스템의 성능 더 좋고 좋아 졌어요 이 경우, 내려가는 것은 실제로 좋은 일입니다 시스템의 효율성을 향상시키기 때문에 동일한 성능 출력을 제공하기 위해 더 적은 에너지를 사용합니다 따라서 중요한 데이터 중 하나를 보는 것은 정말 멋지다

팀의 센터 엔지니어는 다음과 같이 말합니다 "인공 지능이 배우는 것을 보는 것은 놀랍습니다 겨울철 상황을 이용하다 더 차가운 물을 생산합니다 데이터 센터로 냉각에 필요한 에너지를 줄입니다 " 그 피드백을 얻으려면 정말 도움이됩니다

그래서 지금 우리가 바람 농장에서하고있는 일로 나아갑니다 사물의 측면 이것은 우리의 동기 부여의 두 번째 기둥이었습니다 우리가 기계 학습을 어떻게 사용할 수 있는지 알아 내려고 모델은 훨씬 더 경쟁력있는 바람을 만듭니다 풍력 에너지에 대한 도전은 비록 생산 원가 단위로, 1 년 이상, 정말로, 정말로 어렵습니다

왜냐하면 그것은 화석 연료 에너지와는 매우 다르기 때문입니다 파견하기가 매우 어렵습니다 그것은 매우 신뢰할 수 없습니다 따라서 그리드 운영자는 우선 순위를 정합니다 그들이 얼마나 많은 에너지를 줘야하는지 정확하게 알고 있습니다

다른 생산자로부터받을 예정이다 그들이 그것을 파견해야 할 때 다양한 소비자에게 그들은 특정 시간에 그것을 요구한다 그리고 이것은 실제로 상당한 경제적 결과를 가져옵니다 그 확실성은 믿을 수 없을 정도로 가치가 있기 때문입니다 재생 가능 에너지의 예측 불가능 성 화석 연료보다 그다지 가치가 없다

정확한 금액을 보장 할 수 없기 때문입니다 때로는 바람이 불 때가 있습니다 때로는 그렇지 않습니다 거대한 가변성이 있습니다 그래서 우리의 도전 과제는 우리가 정확하게 예측할 수 있도록 우리의 예측 품질 잉여 풍력 에너지를 갖게 될 때 일정 그리드에 제공합니다

그리고 그것은 그것을 훨씬 더 경쟁력있게 만든다 전통적인 화석 에너지 생산 Google은 약 700 메가 와트의 Google 풍력 발전 단지에서 작업하기 시작했습니다 포트폴리오 이것은 전체 에너지의 약 4 분의 1입니다

언제든지 Google에 의해 제공됩니다 그리고 그것을 원근법에 넣으려면, 그것은 같은 양의 에너지입니다 그것은 샌프란시스코 전체에서 소비되고 있습니다 그래서 그것은 정말로 물질적입니다 그리고, 다시, 그것이 작동하는 방식 우리가 모든 정보를 얻었고, 전체 일기 예보를 포함하여, 지역 기상 관측 및 기타 모든 종류의 데이터 입력, 우리는 신경망을 훈련 시켰습니다

어떤 확률 분포로 예측하려고 시도하는 것 발전은 36 시간 내에 보일 것입니다 그리고 그 결과 팀은 그리드를 제공 할 수있었습니다 훨씬 더 정확하고 훨씬 신뢰할 수있는 농장이 언제 에너지를 제공 할 수 있었는지에 대한 정보 그리드로 되돌아가 그것은 화석 연료의 나머지와 경쟁적이다 얼마나 어려운 지에 대한 약간의 직감을주기 위해서입니다 이것은 0에서 250 메가 와트의 생산량이며, 여기 y 축에서 볼 수 있듯이, 그리고 그것은 16 일의 기간에 걸쳐 있습니다

따라서 변형의 규모는 절대적으로 놀라운 것입니다 따라서이 제품을 경쟁력있는 제품으로 만드는 것은 정말로 어렵습니다 그리드에 우리가 36에 자신감이 있다고 말할 수 있습니다 우리가 너를 공급할 수있는 시간 당신이 필요로하는 에너지의 양과 함께, 다시 말하자면, 경쟁력이 있습니다 그리고 우리는 우리의 예측이 추적되고 있음을 볼 수 있습니다

시간이 지남에 지상 진실 전반적으로 이것은 실제로 풍력 에너지의 가치를 만들어 냈습니다 Google에서 20 % 더 가치있게 개발되었습니다 경제적 측면에서 그리고 이것은 다시 한 번 단계 변화 개선입니다

그게 정말 중요한 단계 야 시간이 지남에 따라 화석 연료를 제거하는 데 도움이됩니다 비 탄소 기반 에너지의 양을 증가시킨다 우리가 생산하는 것 결국, 정리하고 요약하기 만하면됩니다

오늘 모두와 함께 떠나고 싶은 직감 우리가 실제로 엄청난 잠재력을 가지고 있다는 것입니다 기존 시스템에 근본적인 개선을 제공합니다 물론, 우리는 순간을 사랑할 것입니다 우리는 처음부터 모든 것을 재건 할 수 있습니다 하지만 현실은 우리가 다음 커플을 참 아야한다는 것입니다

구식, 산업, 수립으로 수십 년 기존 데이터 및 기존 데이터를 처리해야하는 시스템 하드웨어 및 기존 인프라 생산에 사용 된 새 전화기가 없었습니다 이러한 알고리즘 중, 새로운 냉각이 없음 시스템, 새로운 터빈 없음 이것은 기존 하드웨어였습니다 그러나 우리가 올바른 데이터를 수집 할 때, 저장 및 처리되고 정확하게 라벨이 붙어 있습니다

우리는 실제로 기계 학습 모델을 배치 할 수 있습니다 막대한 스텝 기능과 유사한 효율성 그리고 나는 이것이 아주 겸손한 한 걸음 앞으로라고 생각합니다 올바른 방향으로 나아가 우리에게 준다 다음 10 년 동안, 정말 주목할만한 돌파구가있을 수 있다고 생각합니다

이러한 종류의 에너지 효율로 인해 발전합니다 기계 학습 모델을 사용합니다 그래서 그걸로, 나는 너를 떠나고 싶다 마지막 종결 생각 이것은 나에게 AI의 진정한 힘이다 우리가 정말로 깊이 실용적이고, 시도하고 길들인 실제 솔루션 가장 어려운 사회적 과제의 복잡성을 이것이 우리의 핵심 목적입니다

그리고, 저에게, 이것은 인생을 가치있게 만드는 삶을 만드는 것입니다 우리의 이야기를 듣고 대단히 감사합니다 [박수 갈채] [음악 재생]

AI Huddle (Google Cloud AI Huddle)

[음악] KAUL : 안녕하세요 Google AI + Huddle에 오신 것을 환영합니다

여기와 주셔서 정말 고마워요 더 일찍 자원 한 모든 사람들에게 감사드립니다 모든 의자를 다시 배열합니다 우리에게는 효과가 없었던 다른 설정이있었습니다 그렇게 한 모든 사람들은 정말 고맙습니다

고마워 처음으로 몇 명이나 왔습니까? OK, 군중의 약 절반 기본적으로 Google AI + 톡은 공개 공동 작업입니다 개발자 첫 번째 인공 지능 포럼 그리고 우리의 목표는

[? Google AI 전문 지식에 의한?] 우리의 목표는 AI 대화를 공개적으로하는 것입니다 권리? 첨부 된 문자열이 없습니다 와서 피자를 먹고 인공 지능 대화를 할 수 있습니다

당신의 문제를 말하십시오 그리고 당신이 봉쇄 된 것에 대해 토론하십시오 GCP가 AI 작업량을 어떻게 도울 수 있는지, 귀하의 비즈니스 및 기타 등등에서 AI를 활성화하십시오 또한 우리는 우리가 가진 것을 가지고 있습니다 AI Huddle Office Hours에 전화하기

그리고 근무 시간은 – 아직 조종사에요하지만 그건 당신을위한 길입니다 글자 그대로 행 아웃에서 홉핑하기 [? VC?] 대화 Google 직원과 이야기하십시오 그래서 나는 생각한다 그것은 대단한 일입니다

그리고 다시, 문자열이 붙어 있지 않습니다 모두 비용이 들지 않습니다 그리고 우리의 목표는 실제로 우리가 할 수있는만큼 배워야한다는 것입니다 당신의 고통이 무엇인지를 정말로 이해하고, 그리고 AI가 당신을 가능하게하는 방법 그리고 우리가 어떻게 당신을 가능하게 할 수 있습니다

그것으로, 나는 그것을 Shantanu에게 넘겨 줄 것이다 SHANTANU PAI : 이봐, 모두 나는 샨 타누이다 클라우드 AI 사용자 연구를 이끌어갑니다 데이터 분석 및 IoT를 담당합니다

그래서 우리가 사용자 연구에서 수행하는 임무 중 하나는 – 기본적으로, 우리가하는 일은 통찰력을 가져 오는 것입니다 필드에서 제품 팀으로 돌아갑니다 따라서이 채널은 우리에게 큰 도움이됩니다 너희들 우리와 연결할 수 있기 때문에, 당신의 문제에 대해 말해주십시오 그래서 기본적으로, 우리는 당신의 문제에 대한 세부 사항에 대해 이야기 할 것입니다 이런 포럼을 통해 Office Hours를 통해 그리고 우리는 1 시간 정도가 있습니다 이 세션 전후에 우리와 네트워크를 형성 할 수 있습니다

내 목표, 개인적으로 – 이기적인 목표 여기에 – 당신이 가진 모든 고통의 징후를 모으는 것입니다 바라기를, 우리는 그 고통 점을 돌 수있다 결국 제품 기능으로 옮겨가 결국 문제를 해결하게됩니다 그래서 그것이 제가이 노력에 어떻게 관여했는지입니다 얼마나 많은 사람들이 노트를 사용합니까? 궁금해 큰 확인

굉장해 환상적 그래서 내가 밀접하게 일하는 슬라바 (Slava) 오늘 노트북을 덮을 것입니다 특히, GCP를 염두에 두십시오 KAUL : 단지 짧은 소개

SHANTANU PAI : 오, 좋아 내가 소개하기를 원해? 승인 승인 괜찮아 VIACHESLAV KOVALEVSKYI : 원한다면, 나는 할 수있다

SHANTANU PAI : 좋습니다 오히려 직접 해보시겠습니까? VIACHESLAV KOVALEVSKYI : 오, 이것은 – 알았어, 네 나는 이것에 대해서도 이야기 할 수있다 SHANTANU PAI : 좋아요, 그래서 제가 빨리 할게요 Slava는 Google Cloud AI 기술입니다

7 년 이상의 경험을 가진 리드, Google Cloud AI의 Deep Learning 이미지 작업, JAVA 교육, Deep Learning에 관한 블로그, 및 TensorFlow 기본적으로, 일을 만드는 것 또한 Meetup 이벤트 페이지에 링크가 있습니다 그래서 그의 링크와 그의 작품에 대해 알아보십시오 무엇보다도 그는 훌륭한 사람입니다

우리는 그와 팀원들과 파트너 관계를 맺었습니다 그리고 우리는 매일 많은 흥미로운 문제들을 보았습니다 너에게 끝이야 VIACHESLAV KOVALEVSKYI : 고맙습니다 아마 이걸 쓸거야

안녕하세요, 여러분 그래, 내 짧은 이름은 슬라바 야 저기서 내 이름이야 그래, 시작하기 전에 이미 몇 가지 질문이 제기되었지만 여전히 몇 가지 더 묻기를 바랍니다 너희들이 매일 매일 사용하는 것들

그래서 당신은 이미 노트북에 대해 대답합니다 이제 누가 Google Cloud를 사용하고 있습니까? 좋아, 청중의 일부 우리 제품에 대해 Datalab 또는 Deep Loading 중 누구가 들었습니까? VM? 좋아, 한 손 한 손 만 좋아,하지만 누군가

좋아 좋아 이제이 이야기는 주요 잠재 고객과 의논 할 것입니다 너희들은 트위터를 열고 나만 따라 가라 그 특별한 태그 그러나 너희들이 이것을하는 동안, 이 토크에 대해 [무관심]에 대해 논의 할 것입니다 따라서 주요 관객은 주피터 랩을 사용하는 사람들입니다

팀에서 큰 것으로 하루 기준으로 팀 당 한 명의 팀원으로서의 혼자만의 것이 아닙니다 소규모 프로젝트를 위해 Jupyter 노트북을 사용한다면 너 자신으로 스크래치 북으로 일하고있어 아마도 이러한 관행은 당신과 공감하지 않을 것입니다 하지만 네가 그것을 사용한다면 – 당신이 노트북을 사용하려고한다면 당신의 더 큰 팀과 – 모든 가상 제어 시스템 – 당신은 아마 그것이 얼마나 고통 스러운지 알 것입니다

그래서 우리는 Jupyter Notebook을 가지고 이야기를 시작할 것입니다 개발 선언문 선언문은 기본적으로 컬렉션입니다 작은 이론적 규칙이나 몇 가지 제안들 너희들이 사용할 수있는 것들 하지만 중요한 것은 여기에 핵심 부분입니다

이것은 단지 성명서 일뿐입니다 이 문장을 변환하는 쉬운 방법은 없습니다 당신이 적용 할 수있는 좋고, 좋은 제일 연습에 이 강연에서 저는 그 중 일부와 몇 가지 조리법을 보여 드리겠습니다 너는 집에 돌아올 수 있고 실제로 팀과 함께 신청하십시오

그러나 이것이 여기서 더 중요한 개념인데, 당신이 목표로 삼을 필요가있는 어떤 것 그리고 몇 가지 아이디어를 통해 어떻게하면 어떤 일을 할 수 있을까요? 이미 오늘 현재 시장에는 은색 탄환이 존재하지 않습니다 태클을 시도하는 다른 선수들 멋진 협업 노트북을위한 솔루션 그들의 방식으로 그리고 Google은 실제로 Google이 어떻게 이 문제를 해결하고 있습니다

이 이야기는 효과적으로 [? 효과적으로?] 이 Manifesto와 GitHub 저장소 GitHub 저장소는 Manifesto뿐만 아니라, 이미 개발 된 도구도 있습니다 그 매니 페스트 뒤에있는 아이디어를 시행하는 데 도움이 될 수 있습니다 먼저 각 문장을 단계별로 살펴 보겠습니다 실제 구현으로 이동할 수 있습니다

그래서 성명서 1 호, Jupyter Notebook 효과적으로 도구 일뿐입니다 그리고 어떤 도구가 있습니다 당신은 소프트웨어 엔지니어로서 필요합니다 소프트웨어에 적용되는 모범 사례를 모두 사용하는 방법 [[? 과정 이것은 간단한 문장이지만 실제로는 과격하게 무시 당했다

그리고 우리는 오늘날 왜 그 이유를 알아 내려고 노력할 것입니다 둘째, Jupyter Notebook에는 버전 제어 시스템이 필요합니다 완성 그래서 지금 당장 당신의 노트를 Git에 넣으려고한다면, 아마도 이것이 얼마나 끔찍한 지 알 것입니다 Jupyter Notebooks에 대한 [INAUDIBLE] 리뷰를 얼마나 끔찍한 지 알 수 있습니다

큰 갈등을하는 것은 얼마나 끔찍한가 그것은 단지 작동하지 않습니다 세 번째 요점은 Jupyter Notebook 절대적인 자아가 있어야한다 100 % 자체 포함 우리는 왜 이것이 우리에게 줄 수 있는지를 알게 될 것입니다

Jupyter에 입력 인수를 전달하는 방법이 있어야합니다 노트북 그리고 이것은 실제로 우리에게 강력한 방법을 제공합니다 5 번 항목에서 물건을 만듭니다 주피터 노트는 연속 시스템으로 점검해야합니다

완성 그리고 우리가 다이빙에 들어가기 전에 마지막 것 각 노트북은 효과적으로 있어야합니다 연속 개발 시스템을 통해 연결됩니다 그리고 노트북에서 생산 된 각각의 유물 – 특정 최소 목표를 통과하는 경우 팀 또는 제품을 배치해야하는 경우 프로덕션으로 다른 소프트웨어와 마찬가지로 수행합니다

자,이 모든 것들이 효과적으로 이 [? 하나?] GitHub 이미 존재하는 도구를 찾아서 확인할 수 있습니다

실제로 변경 사항을 제안 할 수 있습니다 참조하십시오 [? typo?]이거나 [INAUDIBLE]였습니다 이제이 토크에서 처음 세 가지를 다루겠습니다 항목, 더 많거나 적은 깊이 [INAUDIBLE] 일부 상품 번호는 4, 5 번

불행히도, 그것은 완전히 범위에서 벗어났습니다 – 오늘 6 번 대화에서 거기 [? ?] 실제로 P 제로 비율 우선 순위 0, 정식으로는 없지만 반드시 있어야합니다 방법은 있어야합니다 Jupyter Notebook을 사용하는 쉬운 방법 이것은 아마도 우리가 처음 다루는 것입니다

그리고 나서 우리는 처음으로 뛰어 올 것입니다 하나, 둘, 셋 따라서 Google 클라우드를 사용중인 경우 우리가 가진 해결책을 통해 당신을 걸을거야 우리가 어떻게이 특정한 문제를 다루고 있는지, 어떻게 JupyterLab을 사용하려면 고객에게 매우 간단합니다 얼마나 많은 사람들이 Google Colab에 대해 들어 봤습니까? OK, Deep Learning VM보다 약간

그것은 놀랄만 한 사용이 아니다 [? 나를 위해 ?] 그러나 Deep Learning VM의 TL로서, 행복한 소식도 아닙니다 좋아요, 그럼 제가 이것에 대해 이야기하겠습니다 솔루션과 그 차이점은 무엇입니까? 우리는 이미 콜 랩 (Colab) 이는 실제로 노트북을 사용하는 간단한 방법입니다 Colab을 보지 못했다면 콜랩 (Colab)을 열려면 정말로 빨리 시도하십시오

오, 나는 내 다른 사람들을 보지 않는다 승인 신경 쓰지 마 난 노력 했어 난 노력 했어

그래서이 두 가지 도구를 비교해 보겠습니다 그리고 전에 콜라브를 본 적이 없다면 – 나는 너를 가서 시도하고 탐구하도록 권하고 싶다 바로 Google Colab입니다 Colaboratory Google 그래서이 둘의 차이점은 무엇입니까? 도구? 자, 먼저 Colaboratory에 대해 이야기 해 봅시다

Colab에 대한 좋은 점은 더 빠른 시작입니다 당신은 실질적으로 절대적으로 100 % 1 초 이내에 시작할 수있는 관리 환경 방금 브라우저를 여는 중입니다 노트북 사용을 시작할 수 있습니다 무료로 제공되는 GPU 하나입니다

K80 있습니다 무료 1 TPU를 받고 있습니다 예, 최신 TPU는 아니지만 무료입니다 [INAUDIBLE] [? TPU ?] 놀라운 공동 작업 경험을 얻었습니다

여러 사람이 동일한 노트를 편집 할 수있는 곳, 어떤면에서 Google을 어떻게 상상할 것입니까? 문서 [? 작업 ?] 이제 이것은 찬성입니다 분명히 어떤 제품이라도 몇 가지 단점이 있습니다 그리고 Colabratory는 당신에게 어떤 끈기도주지 않습니다 따라서 노트북으로 작업하는 경우, 당신의 VM은 각각 12 번 재활용 될 것입니다

시간 또는 일정 시간 이는 효과적으로 고객을 설치하면 패키지가 사라집니다 장기 훈련을 시작할 테이블도 없습니다 VM을 재활용해야합니다 이러한 리소스가 더 이상 가능하지 않습니다

우리가 당신에게주는 것은 무엇이든, 그게 전부입니다 96 개의 Skylake 코어 또는 2 개의 GPU 또는 8 개의 GPU를 연결할 수 없습니다 또는 무엇이든 버전 지정 지원이 없습니다 즉, 말할 수 없다는 의미입니다

TensorFlow가 필요해 [? 110?] 또는 잘 모르겠습니다, PyTorch 04 버전 관리 시스템과의 통합은 없습니다 GCP와의 훌륭한 통합은 없습니다

그리고 마지막으로,하지만 적어도 지금은 생산에 두 가지 주요 프레임 워크 인 TensorFlow 또는 PyTorch를 지원합니다 그리고 그것이 효과적입니다 자,이 모든 죄책감이 당신에게 받아 들여진다면 -하자 당신이 발전하는 한 팀이라고 말하라 노트북을 스크래치 패드로 사용하면, 당신은 아마 Colab을 고수 할 필요가 있습니다

나는 정말로 그것을 정말로 추천 할 것이다 Colab이 사용할 수있는 도구 인 경우, 당신이 그것을 사용해야합니다 이제 우리가 가지고있는 두 번째 제품은 효과적으로 제품입니다 몇몇 제품은 깊은 곳곳에 건설한다 학습 VM, [INAUDIBLE] Google Cloud의 JupyterLab

이 [INAUDIBLE]와 찬성, [? 중지?] 지속성 당신은 당신이 지불하고있는 것을 정확히 얻고 있습니다 VM을 생성하는 경우에는 VM을 저장합니다 만약 너라면 [? 설치?] 패키지는 재활용되지 않을 것입니다 모든 것이 있습니다

그것은 힘내와 통합되어 있습니다 자원의 유연성 우리는 당신이 그것을 쉽게 편집 할 수있는 방법을 보게 될 것입니다, GPU 연결, GPU 분리 – 당신이 원하는 것이 무엇이든하세요 좋은 GCP 통합과 마침내 버전 관리가 있습니다 우리가 필요로하는 특정 버전의 TensorFlow를 지정할 수 있습니다

죄송합니다 – 그건 자유롭지 않습니다 당신은 지불해야만한다 짧은 시간에도 8 개의 v100 GPU를 무료로 제공 할 수는 없습니다 기간 이제는 공동 작업 기능이 지원되지 않습니다

그것은 또한 JupyterLab이 커뮤니티로서 해결하려고하지만 거기에 있지 않습니다 그리고 마지막으로, 약간 더 높은 시작 시간은 당신이 실제로 VM을 중지해야합니다 이제 우리는이 제품들 중에서 JupyterLab에 초점을 맞추는 것이 가장 간단합니다 다양한 모범 사례를 통합하는 방법 이 특별한 해결책 그리고 우리가 다른 다른 항목으로 점프하기 전에 선언문에서 얼마나 빠르고 간단한 지 보여 드리겠습니다

실제로 VM 중 하나를 만들려면 모든 예제가 필요합니다 VM에있게됩니다 이것이 창조 과정이 어떻게 생겼는지입니다 내가 빠른 비디오를 재생하자 이것은 효과적으로 Cloud Marketplace입니다

우리 제품 중 하나 인 Cloud Marketplace를 열어 드리겠습니다 Google 클라우드에서 여기에 입력하면, Deep Learning VM, 마켓 플레이스에서 이러한 솔루션을 찾을 수 있습니다 그리고 VM을 단순한 [INAUDIBLE] 실행을 클릭하면 효과적입니다 원하는 모든 구성을 지정하십시오

구성 – 이름, 그냥 의미있는 것을 넣어 라 이 VM을 만든 이유를 알게 될 것입니다 하나의 VM은 효과적으로 – 하나에 대해 생각할 수 있습니다 VM은 실행할 수있는 JupyterLab 인스턴스입니다 많은, 많은 다른 노트북

좋습니다, 이것은 PyTorch 놀이터 여야합니다 영역을 지정할 수 있습니다 그것은 가능한 한 당신에게 분명히 가까이 있어야합니다 그리고 CPU 양을 가진 기계 유형 또한 GPU의 수와 유형을 지정할 수 있습니다

당신이 사용할 수있는 P100을 고르자 그리고 그 틀 나는 여기서 잠시 멈추게 될 것이다 이것이 우리가 지원하는 프레임 워크입니다

TensorFlow, 서버 버전 TensorFlow 20은 실험 모드입니다 내부에서 우리는 이미 몇 가지 흥미로운 깊이를 prebake 할 것입니다 TensorFlow 2

0을 중심으로 구축 된 학습 과정 사실, 나는 거기에 놀랐다 이미 TensorFlow 20을 중심으로 실제 깊은 학습 과정입니다 Fast AI [INAUDIBLE]와 함께 Fast AI로 PyTorch를 사용합니다

우리는 실제로 Fast AI의 학생들을 지원하고 있습니다 우리는 Chainer, XGBoost, MXNet 및 4 개의 기본 이미지를 가지고 있습니다 기본 이미지는 사실상 단순한 이미지입니다 GPU를 사용하기 시작할 때 필요한 모든 것이 있습니다 OpenCV를 컴파일하면 그 능력? 궁극적 인?] GPU 및 그것을 실행하려면 어딘가에 NVIDIA 드라이버가 필요합니다

CUDA가 필요합니다 당신은 cuDNN 또는 cuBLAS 또는 다른 것을 필요로합니다 기본 이미지를 사용하지 않는 이유는 많지 않습니다 GPU를 사용하려는 경우 [INAUDIBLE]이 (가) 모든 것을 설치해야합니다 [? 당신 자신

?] 좋아, 그럼이 특별한 예에서 뭔가를 말해 보자 PyTorch 이제이 기능은 우리가 효과적으로 발표 한 기능입니다 VM 때문에 VM을 생성하자마자 VM에 액세스 할 수 있어야합니다

너의 주피터 랩을보기 위해서 이러한 더 나은 기능은 효과적으로 당신에게 링크를 제공합니다 브라우저에서 열 수있는 멋진 링크 이 링크는 신원을 확인합니다 이러한 특정 JupyterLab에 대한 액세스 권한이 있는지 여부 그리고 그렇게하면 모든 트래픽을 프록시 처리합니다

생성 한 실제 VM 여러분 모두가 좋은 촉감을 가지고 있습니다 정말 쉬운 방법으로 VM [비공개]에 액세스하십시오 그리고 분명히 NVIDIA 드라이버를 설치해야합니다 좋아요, 그래서 이것은 실질적으로 다소 창조 부분입니다 그럼 기다려야 해

그리고 이것이 내가 비디오를 만드는 이유입니다 내 생각에, 속도가 느리기 때문에이 생성 속도가 20 배 빨라졌고, 운수 나쁘게 예 실시간으로 보여주기가 정말 느려질 것입니다 창조의 마지막에 당신은 하나의 특별한 코멘트를 얻는다

실행 중입니다 그러면 링크가 생깁니다 이 링크가 있으면 곧 더 이상 아무것도 할 필요가있어 즐겨 찾기 또는 다른 것으로 편집 할 수 있습니다 여기 링크가 있습니다

우리가 Jupyter를 운영하고 있다는 진열장뿐입니다 이 링크를 열어 보겠습니다 여긴 너의 주피터 야 그것이 바로 그 것이다 Jupyter를 P100 GPU로 클라우드에서 완벽하게 사용했습니다

후드 이미 튜닝 된 튜토리얼이 있습니다 이 특별한 경우에는 PyTorch이므로 fastai가 있습니다 GPU가 실제로 액세스 할 수 있는지 확인하기 위해, NVIDIA [INAUDIBLE]는 우리가 P100을 가지고 있음을 보여줍니다 모든 것이 예상대로 작동합니다

[? video?] 드라이버가 있습니다 좋아요, 그래서 이것은 단순합니다 이것은 당신이 실제로 할 수있는 방법입니다 – 전체 노트북을 운영 할 것입니다 실제로 어떻게 할 수 있습니까? GCP에서 Jupyter Notebook에 액세스하십시오 그래서 우리는이 부분을 우선했습니다

우선 순위 0입니다 툴링에 대해 이야기 해 봅시다 1 번 항목은 더 대화식이 될 것입니다 나머지는 더 실용적입니다 도구 일뿐입니다

무슨 뜻이에요? Android 개발자와 이야기하고 있다고 가정 해 보겠습니다 그리고 Android 개발자에게 누가 인터뷰에서 너에게 입장이 왔어 [? ?] 팀에서 최고의 소프트웨어 공학은 무엇입니까? CI 및 CD와 같은 연습이나 [INAUDIBLE] 귀하의 프로젝트에서 사용되었습니다 그리고 갑자기 그 사람이 당신에게 말합니다

오, 안돼, 안돼, 안돼 은 다르다 우리는 안드로이드 개발자 모두가 이것을 사용하지 않습니다 그런 사람에게 뭐라고 말할 건데? 아마, 좋아, 좋은 대답이야 전화 할께

안녕 하지만 갑자기이 이상한 대화가 어떻게 든 JupyterLab에겐 의미가 있습니다 Jupyter Notebook에 관해 문의하는 모든 사람 당신에게 말할 것입니다, 아니, 우리는 그것을 사용하지 않고 있습니다 마찬가지로, 우리는 CI를 사용하지 않고 있습니다 우리는 CD를 사용하지 않고 있습니다

우리는 [? 작업?] [? 주변에?] 노트북으로 우리는 다르니까 아무것도 가지고 있지 않습니다 현실적으로 이것은 단지 도구 일뿐입니다 특정 사례가 있습니다 안드로이드 스튜디오에서 XML, 그것은 UI이기 때문입니다

그러나 이와 유사하게 JupyterLab에 대한 몇 가지 모범 사례가 있습니다 그렇다고 맞춤 관례가 있다면, 일반 소프트웨어 개발자 관행을 적용 할 수 없습니다 모든 안드로이드 운영 체제에는 통계가있는 CI / CD가 있어야합니다 [미증유] JupyterLab 소스 코드 시스템을 통해이 있어야합니다 이제 유감스럽게도 모범 사례는 없습니다

시장을 연결하는 것 그래서 많은 사람들이 JupyterLab 또는 Jupyter Notebooks를 스크래치로 사용하도록 강요 당함 인주 나는 많은 개발자로부터이 소식을 여러 번 들었다 그들이 프로토 타이핑을 할 때, 그들은 노트북을 가지고 있고, 그들은 노트북에서 프로토 타이핑을하고 있습니다

하지만 노트북이 도구이기 때문에, 생산이나 사용을위한 준비가되어 있지 않습니다 그들은 코드를 다시 작성하고 있습니다 보통, 당신이 말할 때 – 니가 다이빙을 할 때 – 너 아마 아무도 노트북에서 코드를 다시 쓰려고하지 않는다 실제 파이썬에 그것은 많은 시간을 소비하기 때문입니다

그리고 그것은 실제로 당신이 하지 않아도 돼 니가해야만 해 왜냐하면 너 주위에 툴링이 없다 이제는 몇 가지 경우가 있습니다 사실 Jupyter Notebook을 스크래치 패드로 사용하고 있습니다

물론입니다 내가 어떻게 예를 들면, 많은 [? 애완 동물?] 프로젝트 내 로컬 랩톱에서 Android와 Python을 많이 사용함 CI를 다루지 않고 툴링으로 덮지 않습니다 그 특별한 경우는 CoLab을 사용할 수 있습니다 Colab은 이러한 사용 사례를위한 완벽한 솔루션입니다 Google과 함께 하나의 노트북을 제외하고는 아무것도 필요하지 않은 경우 실험을위한 드라이브, 아마도 당신은 또한 두건의 밑에 너무 많은 자원을 필요로하지 않는다

CoLab은 이상적인 도구입니다 이것이 바로 그 뒤에있는 높은 수준의 아이디어입니다 이것이 단순한 도구라는 사고 방식 뒤에 있습니다 자, 두 번째 부분 사실,이 부분을 – 만약 당신이 이것을 본다면 – 이것은 항목 번호 1의 확장 일뿐입니다

두 번째 부분은 가상 제어 시스템입니다 보통, 요즘 말하는 사람이 있는데, 가상 제어 시스템은 힘내에 대해 말하고있었습니다 Mercurial을 사용하는 사람은 많지 않습니다 그리고 요즘에는 SVN을 사용하는 사람이 거의 없기를 바랍니다 그래서 정확한 문제와 해결책이 무엇인지 보여 드리겠습니다

이러한 특정 요소에 대해 그래서 문제부터 시작하겠습니다 다음은 노트북입니다 깊은 학습 VM, Git 내부의 노트북에 노트북 저는 두 개의 세포를 실행할 것입니다

자, 내 관점에서 본 노트북을 편집하지 않았습니다 괜찮아 나는 아무것도 바꾸지 않았다 하지만 노트북 자체는 JSON 파일입니다 거기에 약간의 [? 메타?] [? 데이트?] 사이트

두건의 밑에, 많은 재료는 변화했다 예를 들어, 이제 1 위를 차지했습니다 이제 두 번째 셀에 별표가 표시됩니다 그런 다음 두 번째 셀에서 두 번째 숫자를 갖게됩니다 그리고 실제로 가서 고객을 얻으려고한다면, 우리는 Git 클라이언트 통합을해야합니다

이 파일이 이미 수정 된 것을 볼 수 있습니다 승인 일주일 후에 다시이 파일로 돌아 간다고 가정 해 봅시다 휴가 후 이 파일이 수정 된 것을 볼 수 있습니다

확인이 필요한지 확인하고 싶습니다 이 파일을 주석 처리합니다 어떻게 든 수정 된 것을 볼 수 있습니다 그리고 정상적인 반응은 diff를 보러 가고 그 특정한 파일을 가지고 무엇을했는지 살펴 보겠습니다

글쎄, 내가 변했어, 내가 저지를 필요가 있니? 그렇지 않을 수도 있습니다 그것은 수정 한 파일을 보여줍니다 이제 우리에게 보여주는 것이 다른 점을 보도록하겠습니다 그리고 여기 diff 내 관점에서, 나는 실제로 노트북에서 무엇이든 바꿨습니다

그러나 노트북의 관점에서 보면 거기에 많은 것들이 변경되었습니다 그리고 내부적으로 모든 것이 어떻게 작동 하는지를 안다면, 아마도 당신은 추측 할 수 있지만 어쩌면 아닙니다 그리고 이것은 단지 작은 변화 일뿐입니다 만약 내가 더 많은 셀을 실행한다면 너는 더 크고 더 크고 더 무서운 것을 가질 것이다 diff 거짓말

그렇다면 어떻게 향상시킬 수 있을까요? 내가 처음에 보여준 GitHub 저장소 내부 내가 실제로 선언문을 언급했을 때 몇 가지 도구를 가지고 있습니다 도구의 사전 설정이 필요합니다 Deep Learning VM 환경을 개선하는 데 도움이됩니다 당신이 깊은 학습을 위해 노력한다면 – 어쩌면 누군가 그것을 개선하고 채택 할 수 있습니다 다른 환경

그러나 현재로서는 Deep Learning VM 만 작동합니다 그래서 [INAUDIBLE] 작은 화면 이 대화와 함께 제공되는 GitHub 저장소를 복제했습니다 슬라이드와 링크되어 있습니다 나는 작은 화면을 실행할 것입니다

힘내 통합을 가능하게한다 다시 말하지만 이제는 10 배속 모든 것을 깊이에 통합하는 데 시간이 걸리기 때문에 우리가 필요로하는 VM을 배우십시오 완료되면 JupyterLab을 재부팅합니다 괜찮습니다 자, 무슨 일이 일어 났는지 봅시다

이제이 같은 노트를여십시오 그리고 바뀐 것은 두 개의 작은 아이콘입니다 맨 위에있는이 두 개의 작은 아이콘들 – 하나 작은 망할 자식 아이콘과 시계 같은 아이콘 효과적으로 플러그인 중 하나입니다 정말 훌륭하고 놀라운 일을 할 수있게 해줍니다

이후로 모두 당신은 노트북의 정상적인 일을해야합니다 다음은 정상적인 diff입니다 왼쪽 또는 동일한 셀에 표시 In은 비어 있었고, In은 1입니다 그런 다음 두 번째 셀 – 동일합니다 있음 2입니다

아무것도 바뀌지 않았습니다 이 파란 항목은 메타 데이터의 diff를 보여 주며, 하지만 그게 전부입니다 사실 그것은 정상적인 diff입니다 우리는 또한 통합 [? 의 ?] [? 심지어?] 병합 그리고 다른 노트북을위한 충돌 해결 보다 복잡한 상황에서의 diff의 한 가지 예 이렇게 보일 수 있습니다

그래서 이것은 단지 노트북과 다른 것입니다 다시 한번, Git의 꼭대기에, 그냥 일반적인 diffing 도구 그것을 실행하는 딥 (Deep) 학습 VM에서 실행하십시오 정상적인 diff 좋아요, 그래서 우리가 그들의 아이템 중 하나를 집행 할 수있는 방법입니다 우수 사례

이것은 다시 GitHub에 대한 링크입니다 [? 선언문?] 도구 자, 특정 항목 – 주피터 노트북은 자체 완비 형이어야합니다 먼저, 할 수있는 일을 보여 주도록하겠습니다 당신의 노트북이 자체 포함되어 있다면

일반적으로 예제로 시작하겠습니다 노트북을 프로토 타이핑한다고 가정 해 봅시다 갑자기 GPU를 분리하기로 결정했습니다 GPU에 돈을 지불하고 싶지 않기 때문에, 그래서 당신은 그것을 분리하고 싶습니다 바로 지금, 이렇게 보입니다

VM 인스턴스로 이동합니다 모든 인스턴스가 있습니다 그리고 아마 그들 중 많은 수가 있습니다 나는 많은 양의 덩어리 중 하나를 골랐다 이제, 그것을 찾으려면 아마도 배포로 돌아 가야합니다

인스턴스 PyTorch 1 놀이터의 이름을 알아 내기 여기에서 찾으십시오 이미 시간을 보내고 있습니다 이제 인스턴스를 편집 할 수 있습니다 하지만 인스턴스를 편집하려면 인스턴스를 중지해야합니다

정지에는 시간이 걸립니다 다시 말하지만 여기서 10 배 되감습니다 완전히 멈 추면 마침내 편집 할 수 있습니다 거기에서 편집 할 수 있습니다 GPU가 어디에 있는지 찾아야합니다

나를 위해 항상 정확히 편집 할 위치를 찾는 데는 시간이 걸립니다 이 GPU는 있습니다 예, 편집 후 – 너무 재미 있지 않기 때문에 나는 이것을 스크롤 할 것이다 편집 후에 실제로 다시 시작할 수 있습니다 그리고 시작 프로세스에는 실제로 약간의 시간이 걸립니다

시간이 걸리기 때문에 시작하기 위해 여기 10 배가 있습니다 다시 시작한 후에는 [부적절한] 그래서이 비디오 자체는 1 분 30 초가 걸렸습니다 실제로, 나는 실제로 그것을 타임 아웃했다

그리고 나는 다음 슬라이드를 가진다 실제로는 4 분이 걸립니다 중지, 편집, 시작하는 데 약 4 분 이제 GPU를 첨부한다고 가정 해 보겠습니다 넌 훈련을하고있어

마지막으로 버그가 있습니다 버그가있어서이 버그를 디버깅해야합니다 디버깅하는 동안 GPU에 대한 비용을 지불하고 싶지 않습니다 그래서 우리는 분리해야합니다 프로토 타입을해야합니다

다시 연결하고 교육을 시작해야합니다 그래서 효과적으로 하나의 버그가 두 번 더 편집해야합니다 더하기 8 분입니다 따라서 실제로 시간 낭비임을 알 수 있습니다 특히 상자가 다른 경우 당신은 반복해야합니다

회사가 귀하의 자원에 대해 비용을 지불한다면 그것은 좋은 일입니다 우리는 상관하지 않습니다 GPU를 부착하고 잊어 버릴 수 있습니다 그러나 실제로 주머니에서 돈을 내고 있다면, 이것은 악몽일지도 모른다 이제, 가지고있는 것이 정말 좋을 것입니다

프로토 타입을 작성한다고 가정 해 봅시다 해당 사용자가있는 랩톱 인 Deep Learning VM에서 이 노트북 뒤에 모르겠어, 전화하자, Bob 따라서 밥 (Bob)은 Deep Learning을 사용하여이 노트북에서 프로토 타입을 작성했습니다 후드 아래의 VM

그리고 필요할 때 좋을 것입니다 너가 실제로 훈련하기를 원할 때, 다른 것을 시작하기 위해서 – Deep Learning VM과 같은 또 다른 인스턴스 – 실제로 GPU를 가지고 있습니다 정확하게 보이는 작은 아이콘 VM 아이콘 [? 그것 때문에?] GPU의 공식 아이콘 예, VM 자체의 아이콘과 완전히 같습니다 그러나 나를 믿어 라

GPU 다 이제 GPU 머신을 돌리고 싶습니다 그 곳에서 훈련을 실행 한 다음 모든 것을 돌려 준다 그 백엔드 기계를 파괴하라 정말 멋지 네요

당신은 훈련을 위해서만 돈을 내고 있습니다 하지만 그렇게하려면 두 번째 주체 – 비록 그것이 깊은 학습 VM이라도 – 환경에 대한 지식이 없습니다 프로토 타이핑에 사용한 환경 완전히 다른 것일 수 있습니다 당신은 이상한 일을했을 수도 있습니다 이 스키마가 작동하도록하려면 실제로 자체 포함 된 노트북이 필요합니다

더 나은 점은, 자체 장착 노트북이있는 경우 컨트롤을 통해 작동 할 수도 있습니다 Git과 같은 소스 저장소 시스템 당신은 그것을 누른 다음 깊은 학습 VM을 밀어 수 있습니다 그것을 끌어 당기고, 시험하고, 파괴 할 수 있습니다 이미 그것이 어떻게 작동하는지 실제로 보여 드리겠습니다

동일한 repo에서이 도구를 찾을 수 있습니다 그래서 제가 노트북을 가지고 있다고 가정 해 봅시다 나는 실제로 노트북을 다운로드 할 것이다 단지 GitHub에서 우리의 Git 통합과 함께, 그냥 무작위 TensorFlow 노트북 나는 여기서 [INAUDIBLE]의 예를 찾으려고 약간의 시간을 보냈다

이 폴더를 어떤 폴더에 넣었는지 잘 모르므로 스크롤하십시오 여기 [INAUDIBLE] 노트가 있습니다 나는 마침내 그것을 발견했다 그리고 이것을 가지고 싶습니다 GPU로 이것을 배우고 싶습니다

내 로컬 컴퓨터가 CPU입니다 그리고 나는 그것을 배경 훈련에 보내고 싶다 나는 프로토 타입을 계속할 수있다 그렇게하기 위해 두 번째 스크립트를 설치하겠습니다 같은 저장소에서

다시 말하지만, 우리는 특별한 마술을 할 것입니다 그래, 우리가 이전에 보여 줬던 것과 같은 레포로 갈거야 그것을 복제하려고합니다 그리고 복제품에서 나는 책임있는 폴더로 갈거야 독립형 노트북 용

또한 스크립트를 사용하여 노트북을 제출할 수 있습니다 다시 말하지만 지금은 Deep Learning VM에서만 작동합니다 Jupyter의 모든 인스턴스가 아닙니다 하지만 이것은 네 이것은 변경 될 수 있습니다 자, 내 노트가 들어있는 폴더로 가자 실제로 실행하려고합니다

나는 단지 그것을 복사하는 폴더를 안다 모든 일이 제대로 끝나면 지금 당장 사용에 사용할 수있는 두 개의 CLI 주석이 있습니다 그 주석을 보여 드리겠습니다 네, 이것들이 두 가지 의견입니다 CPU와 함께, 또는 GPU로

이 의견에는 네 가지 입력 인수가 있습니다 하나는 노트북의 이름입니다 또 다른 하나는 Google 클라우드 스토리지 임시 버킷입니다 그리고 그것은 CPU입니다 그게 전부입니다

그것이 당신이 제공해야 할 전부입니다 GPU 주석의 경우 GPU 유형도 지정해야합니다 GPU 양 내 경우에는 내가 말했듯이, 나는이 노트를 훈련시키고 싶다 GPU를 배경으로 그래서 저는 GPU로 노트북을 사용하고 있습니다 그런데 방금 언급 한 것처럼 노트북의 이름을 알려주었습니다

그런 다음 Google Cloud Storage에 미리 채워진 사이트가 있습니다 VM이 해당 스토리지에 액세스 할 수 있어야합니다 이 스토리지 v100 1 그래서 1 v100으로 훈련하고 싶습니다 그게 사실이야

지금 무슨 일이 일어나고있는거야? 그것은 모든 것을 업로드하고 있습니다 GCS, VM을 시작하여 교육을 시작합니다 다시 한번 말하면 빠른 재부팅입니다 10 초마다 표시됩니다 [INAUDIBLE] 스크립트에 약간의 오류가 있습니다

오늘이 시점에서 실제로 이러한 배경 VM이 실제로 있는지 확인합니다 존재합니다 그리고 오류는 훈련이 성공했다는 것을 의미합니다 VM 자체가자가 종료되었습니다 결과가 GCS에 업로드됩니다

오늘 현재 결과 노트가 있습니다 서프라이즈, 놀라움 – 노트 항상 노트북입니다 그리고 이것은 노트북입니다 왼쪽 패널에서 두 번째로 생성되기 때문에 백그라운드 VM에서 다운로드되었습니다

완전히 채워집니다 그래서 거기에있는 모든 세포들은 실제로 모든 것을 처형했다 그리고 이것은 인식에 효과적입니다 실제로 v100에서 교육이 진행되었습니다 배경에

따라서 v100의 시간 동안 만 지불하게됩니다 당신이 훈련을 위해 사용해야하는 것 무언가가 추락하면 여기에서 추락 할 것입니다 여기서 노트북을 다시 시작할 수 있습니다 CPU를 사용하면 다시 프로토 타입을 만들 수 있습니다

준비가되면 콘솔로 이동할 수 있습니다 노트북을 배경 기차에 제출할 수 있습니다 그러나 내가 말했듯이, 그것은 자급 자족해야합니다 좋습니다, 그래서 우리는 이것들을 논의했습니다 다이어그램에 어떤 일이 있었는지를 나타 내기 위해 하나의 VM이 있습니다

우리는 Cloud Storage에 노트북을 효과적으로 업로드합니다 우리는 Deep Learning VM을 시작했습니다 모든 스크립트가 당신을 위해하고 있습니다 그 Deep Learning VM이 귀하의 스크립트를 다운로드했습니다 그런 다음 Papermill이라는 이름의 기술을 사용하고 있습니다

Netflix가 개발했습니다 제지는 기본적으로 특별한 오픈 소스 도구입니다 로컬에서 노트북을 실행하는 책임자 어떠한 UI 인터페이스도 첨부하지 않아도됩니다 그리고 이들이 성공하자마자 우리는 클라우드 스토리지를 통해 후크 작업 완료 백 엔드 [INAUDIBLE]을 파괴 그것은 매우 간단합니다

그리고 아주 간단하고 작동합니다 자, 우리는 항상 너에게 자체 포함 된 노트북이 필요합니다 이것이 정확히 무엇을 의미하는지 말해 보겠습니다 자급 자족한다는 의미는 여러 가지입니다 번호 하나, 당신은 가지고 있어야합니다

TensorFlow M20과 같은 Deep Learning VM에 대한 개념, 당신은 노트북을 만드는 데 사용합니다 우리의 깊은 학습 VM은 이미 톤이 있습니다 서로 다른 패키지 매우 가능성이 높습니다 다른 것을 설치할 필요가 없습니다 [INAUDIBLE] NumPy, [INAUDIBLE] ,, 그 중 다수를 사용할 수 있습니다

이미 거기에 그러나 그들은 서로 다른 버전을 가지고 있습니다 따라서 노트북에 정보가 있는지 확인해야합니다 그것이 M19, M18로 만들어 졌다고합니다 이 방법으로 우리는 정확하게 회전 할 수 있습니다

똑같은 설정을 가진 하나의 Deep Learning VM 패키지 및 버전 이것은 1 위입니다 번호 2는 간단합니다 의존성이 필요하다면 노트북 안의 마법 셀을 사용하십시오 거기에 설치 했어

그게 전부 야 나는 어떤 경우가 있다는 것을 이해하지 못한다 사실 실용적이지 않습니다 의존성과 마법의 톤이있다 [? 세포?] 거대 할 수 있습니다 이 경우에는 여러 가지 다른 방법이 있습니다

그러나 많은 경우에 당신은 놀랄 것입니다 딥 러닝 VM은 이미 대부분을 보유하고 있습니다 당신이 필요로하는 것들 두 개의 패키지 만 설치할 수 있습니다 나도 몰라, 어쩌면 MXNet이 필요한 이유가있을거야

이미 설치할 수 있습니다 그냥 마법을 사용 [? 세포 ?] 그게 다야 사실 꽤 간단합니다 자, 한계

이 특정 스크립트의 현재 제한 사항 해결책 그 자체는 범위 일 수 있습니다 이러한 모든 한계는 해결 될 수 있지만, 그러나 현재의 한계 – 당신이 집에 돌아 간다면 – 이 [INAUDIBLE]을 실제로 사용하려면 Deep Learning VM에는 현재 몇 가지 제한 사항이 있습니다 그리고 실제로 그들 중 많은 지금은 TensorFlow VM에서만 작동합니다

우리는 PyTorch VM을 가지고 있지만 이것들은 아닙니다 아직 일할거야 CLI에서만 작동합니다 나는 개인적으로 좋은 버튼을 보게되어 기쁩니다 마술처럼 움직이는 버튼을 누르고 있습니다

마술처럼 돌아온다 하지만 지금은 CLI뿐입니다 셋째, 항상 최신 TensorFlow를 사용합니다 그래, 알아 나는 너에게 좋아, 잠시 전에 말했어

어떤 특정 버전을 알아야하지만 지금은 그것을 무시합시다 [무관심] 한 경우에도 항상 최신 TensorFlow를 사용합니다 최신을 위해 창조 된 – 지금 당장 노트북 주변의 파일을 잡을 수는 없습니다 다시 말하지만, 문제는 아닙니다

로컬 폴더를 Google Cloud Storage에 업로드 할 수 있습니다 다운로드하십시오 백 엔드 VM의 경우 현재 구현 중입니다 주변에있는 파일 및 아티팩트를 사용할 수 없습니다 입력 인수를 전달할 수는 없습니다

이것은 실제로 매우 중요합니다 하지만 여기 GitHub에 대한 링크가 있습니다 기꺼이 기부 해주십시오 이 중 하나를 선택하고 일어난다면 해결하십시오 그들 중 하나가 실제로 당신을 위해 다른 사람들보다 더 많은 고통을 주면

자, 다음 두 항목은 우리가 그렇게 다루기 만하면됩니다 다이빙을 너무 많이하지 않고 – 그것의 입력 논증과 왜 그것이 중요한지 그리고 이것은 거의 슬라이드의 거의 마지막입니다 이것은 이전 노트북 중 하나의 예제입니다 우리는 실제로 어떤 노트북이하고 있는지 신경 쓰지 않습니다

그러나 그것은 많은 단계를 가지고 있습니다 계단 수는 합리적으로 변경하고 싶다 여러 배치로 테스트하고 싶을 수도 있습니다 크기, 단계의 수, 다른 학습 요금 동적으로 조정하려는 것입니다

노트북에 입력을 처리 할 수있는 기능이 있어야한다고 말하면, 나는 당신이 오버라이드 할 수 있어야한다는 뜻입니다 노트 외부의 이러한 변수들 노트북을 바꾸지 않고 이것은 Papermill과 Netflix의 강력한 개념입니다 이미 구현되었습니다 그들이 사용했던 것은 대단한 일입니다

지원하지 않습니다 그러나이 특별한 능력을 가지고 이러한 변수를 무시하려면 실제로 완전한 통합 시스템을 계속 구현하십시오 노트북을 상상해보십시오하지만이 노트북을 보낼 때 힘내, 통합 시스템을 끌어 계속 이 노트북은 변수를 무시합니다 예를 들어, 테이블 이름을 겹쳐 쓰며, 생산 테이블 대신 그것은 가짜 작은 양의 데이터를 가진 테이블을 사용하고 있습니다

그 작은 양의 데이터로 모든 것을 실행 노트북이 작동하는지 확인하기 위해 일 그리고 무언가가 깨진다면, 그것은 페이지 누구든지 전화를 걸거나 건물을 담당하는 사람 이 모든 기능은이 기능을 통합 할 경우 가능합니다 입력 인수 따라서 이것은 마지막 두 가지를 효과적으로 다루고 있습니다

능력을 갖는 것이 왜 중요한지 입력 인수를 노트북에 전달합니다 그리고 [INAUDIBLE] 효과적으로, [? 만약 네가? 네 번째를 풀면, 기술적 인 5 번 이것은 실제로 모두입니다 그래서 우리가 0, 6 요소를 세는 경우 이것은 다섯 요소입니다

우리는 마지막 것을 다루지 않았습니다 제가 말했듯이,이 부분은 아직 범위를 벗어납니다 간단히 말하자면, 이것은 더 많은 항목이라고 언급했습니다 당신이 목표로 삼아야 할 GitHub에는 이미 도움이되는 스크립트가 있습니다 그들에게 [INAUDIBLE] 할 수 있습니다

하지만 [생각지 못한] 그들이 당신을 [생산할 수]있는 생산적인 솔루션입니다 많은 문제가있을 것입니다 그러나 그것은 당신에게 노트북의 미래가 어떻게 될지에 대한 약간의 풍미를 줄 것입니다 보일지도 모른다 그리고 그게 전부입니다

대단히 감사합니다 질문이 있으면 QA 부분으로 이동해 봅시다 [박수 갈채] 고맙습니다 오, 우리는 질문이있다 누군가가 마이크를 능가하는 데 도움이 될 수 있습니까? 네? 관객 : 어리석은 질문 일 수 있습니다

하지만 노트북을 만들 수 있습니까? 한 노트를 다른 노트에 포함시킨 다음 실행할 수 있습니까? 그 능력이 있습니까? VIACHESLAV KOVALEVSKYI : 오, 좋습니다 그래, 그냥 말하고 싶다 바보 같은 질문은 없다 어리석은 대답 만 있습니다 하지만 네, 한 노트를 다른 노트에서 사용할 수 있다면 문제가 될 수 있습니다

어쨌든 그래 넌 할수있어 내 말은 바닐라 노트로는 안돼 Papermill의 여러 플러그인을 설치해야합니다 또는이 기능을 사용할 수 있습니다

그러나 이미 시장에 몇 가지 해결책이 있습니다 효과적으로 말을 할 수있게 해주는 것입니다 나는 노트북 "어쩌구"에서 변수를 필요로한다 노트북 "ㅋ"를 실행합니다 a가 채워질 때까지 a를 가져올 것입니다

그래서 이미 가능합니다 네 비록 기술적으로 해결할 수 있지만, 우수 사례에 대한 열린 질문입니다 그것이 권장 된 방법이든 아니든간에 내 개인적인 걸릴 이것에 대한 일반적인 논리를 사용하는 경우 그것은 순수한 파이썬이되는 더 나은 일반적인 논리입니다

가져 오기만하면됩니다 하지만 기술적으로는 그렇습니다 하나의 노트를 다른 노트에서 가져올 수 있습니다 고맙습니다 다른 질문? 네? 마이크를 통과 시키시겠습니까? 그래, 미안해

왜냐하면 마이크로 당신들은 녹음 될 것이기 때문입니다 – 거기에는 또 다른 것이 있습니다 VIACHESLAV KOVALEVSKYI : 오, 우리는 다른 것을 가지고 있습니다 관객 : 당신은 [무관심] 테스트를하고 있습니다 그래서 매개 변수를 입력 할 수 있다면 우리는 테이블 이름이나 테이블 일부를 변경할 수 있습니다

이름 그리고 나서 우리는 더 많은 테이블 이름을 읽을 수 있습니다 그래서 그 테이블이 당신의 비전입니다 – 테스트 테이블은 자동으로 생성됩니까? 또는 당신은 테이블을 만들어야한다는 것을 상상하고 있습니다 테스트 케이스는 당신입니다 테스트하려는 행은 그것을 작성해야합니다

그게 꽤 고통 스럽기 때문이야 그리고 두 개의 테이블이 있다면 [? 너?] [? 것인가?] [? 그냥?] 더 많은 표를 만들지 만 그렇지 않으면 친절합니다 모든 엣지 경우와 같이 테이블을 만들기가 어렵습니다 지역 테스트 란 무엇입니까? 일반적인 테스트 프로그램 데이터를 처리하는 프로그램을 테스트함으로써, 논리, 데이터 논리 – 우리는 데이터에 익숙하지 않습니다 산업

권리? 거의 VIACHESLAV KOVALEVSKYI : 예 관객 : 그래서 어떻게 그걸 상상합니까? VIACHESLAV KOVALEVSKYI : 귀하의 질문입니다 실제로 절대적으로 옳다 수동으로 갈 경우 [? 모의?] 데이터베이스 고통 스러울 수도 있습니다

여기에는 두 가지가 있습니다 우선, 노트북은 일반적으로 가장 간단한 방법입니다 먼저 한 가지 더 말하게하겠습니다 그래서 당신은 일반적으로 가장 인기있는 노동 조합 테스트와 기능 테스트를 가지고 있습니다 권리? 노트북의 경우 테스트를 [INAUDIBLE]하는 것이 어렵습니다

기능 테스트를하는 것이 더 간단합니다 그들이 노트북 전체를 쓸 때 이제이 특별한 예에서, 저는 여러분에게 보여준 것입니다 실용적인 입력을 쓰면 수동으로 직접 만들 수 있습니다 끔찍한 테이블

그러나 이것은 단지 첫 걸음입니다 두 번째 단계는 여전히 정상적인 파이썬 테스트를 가질 수 있습니다 해당 데이터에 대한 교육을 요청할 데이터를 생성합니다 결과를 확인합니다 나는 여기에 실제 CI를 보여주지 않았지만, CI 우리가 실제로 이렇게하는 중간 데모

왜냐하면 그것은 단지 배경 교육을 배치하는 것이 아니기 때문입니다 처음으로 데이터를 생성하고 백그라운드 트레이닝을 배포하며, 그 아티팩트가 실제로 제출하는 노트북에는 해당 테이블의 결과가 있습니다 작동하는지 확인하십시오 우리가 지금 당연히 누락 된 부분은 무엇입니까? 예를 들어 단위 테스트와 같이 더 깊이 나아갈 수있는 능력입니다 특정 세포와 마찬가지로 [? 해체?] 그 부분

아니 그들은 그럴수 없어 관객 : 단원 테스트를 위해, 당신은 – 모듈을 더 많이 만들거나 [INAUDIBLE] 모듈을 식별하십시오 다른 부분들 – VIACHESLAV KOVALEVSKYI : 맞습니다 예 관객 : 그리고 [무관심] 테스트

VIACHESLAV KOVALEVSKYI : 그 부분은 더 어려울 것입니다, 하지만 가능합니다 분명하게 예입니다 다른 질문? 관객 : 내 질문이 생각납니다 VIACHESLAV KOVALEVSKYI : 물론입니다 관객 : 그래서 당신은 토크의 시작 부분에서, 너는 [? DataLab?] VIACHESLAV KOVALEVSKYI : 맞습니다

그렇습니다 관객 : [INAUDIBLE] 내 말은, 당신이 그것을 보여주지 않았 음을 의미합니다 VIACHESLAV KOVALEVSKYI : 오, 그래 나는 누군가가 Datalab을 그렇게 효과적으로 알고 있는지 물었다 사실, 나는 그것을 보여주지 않았다

그리고 이유 중 하나는 당신이 볼 수 있기 때문입니다 – 당신은 깊은 학습 VM 솔루션에 대해 생각할 수 있습니다 Datalab v2입니다 관객 : 오, 알겠습니다 이미 어딘가에 있습니까? VIACHESLAV KOVALEVSKYI : VM을 자세히 학습 하시겠습니까? 관객 : 아니오, Datalab v2 VIACHESLAV KOVALEVSKYI : 솔루션 Deep Learning VM은 그 자체로 Datalab v2입니다

그래서 환생입니다 아직 기능이 [INAUDIBLE]는 아닙니다 그래서 당신은 진술을 아직 찾지 못할 것입니다 관객 : 아, 그건 내 질문입니다 승인

좋은 VIACHESLAV KOVALEVSKYI : 그러나 어느 시점에서 그것은 기능의 패리티와 모든 기능을 합친 것입니다 관객 : 좋아, 고마워 VIACHESLAV KOVALEVSKYI : 다른 건 없나요? 승인 그럼, 고마워

좋은 저녁 되세요 [박수 갈채]

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]

台客VLOG》舊金山 Google I/O 2019 今年的 A.I. 也太扯了吧?ft 阿滴,劉沛,Korea Grandma,Raqami TV,Kemio,Gita Savitri Devi

그가 말한대로 맞습니다 전 세계의 유튜브 (Youtuber)가 Google IO에 초대되었습니다

Google 2019 컨퍼런스 올해 Google의 최고 기술은 무엇입니까? 1 년 전 최고의 제품 중 하나가 인공 지능이었습니다 레스토랑이나 항공권 등을 주문할 때 도움을 줄 수 있습니다 Io2019 내 첫해 분위기는 단지 콘서트입니다 와 ~ ~ 매우 정각 다음은 멋진 2 분 버전입니다

이지도는 음악 축제와 매우 흡사합니다 여기에 많은 텐트가 있습니다 각각은 팀이 올해 개발하고있는 기술을 나타냅니다 다음으로, 우리는 장애인을 위해 특별히 설계된 기술을 살펴볼 필요가 있습니다 여기 슈퍼 스타는 우리 중 하나입니다

웹에서 3D 도구 다운로드 실제 공간에 두십시오 이것을 AR (Augmented Reality)라고 부릅니다 번역하는 방법? 그게 이번에는 내가 가장 특별하다고 생각하는 새로운 기술이어야한다 1 시간마다 다른 연설이 있습니다 Google은 Transgender (트랜스젠더) 소년과 소녀가 있으며, 소년과 소녀도 있습니다 편안한 몸은 더 혁신적인 아이디어를 가질 것입니다 그래서 시부야는 이것을 중요하게 생각합니다

하지만 지금은 시간 차이 때문에 매우 졸린 시차 30 분 동안 누워있을 수 있습니다

해가 추락하고있다 파티가 시작되었습니다 무료 음료 이것은 우리가 무너지고 책임지지 않을 경우를 대비 한 것입니다 그것은 그것이 의미하는 것입니까? (면책 조항) 오늘 뭐라고하니? 오늘의 I / O I / O 첫날, 당신의 경험은 무엇입니까? 오늘의 I / O에 대해 기분이 좋습니다! 올해 무료를 비교하는 것이 더 쉽습니다 나는 그 텐트에 가고 싶다 그리고 모든 Youtuber는 오늘과 다른 시각을 가지고 있습니다 Liu Pei의 주관적인 모습을 볼 수 있습니다

이 시간의 경험은 우리 아이가 프로그래밍 언어를 배워야한다는 것입니다 이것은 정말로 원한다 맞아 ~ 네 이것은 강력하고 (강력한)

Google's AI can spot lung cancer a year before doctors

구글은 "유망한"AI 즉 인공 지능 시스템을 만들었다 고 말하고있다 인간 의사가되기 1 년 전에 폐암에 걸릴 수 있으므로 잠재적으로 생존 기회가 증가합니다

환자들에게 Googl'e 건강 연구원 인 Lily Peng은 Google의 연례 개발자에게이 논평을했습니다 컨퍼런스 Google I / O Google의 '심층 학습'모델은 CT 스캔에서 미세한 폐 병변을 발견 할 수 있습니다 여섯 명의 방사선과 의사 중 다섯 명이 놓친 것입니다

구글의 AI는 진단 받기 1 년 전에 폐암을 발견 할 수 있기 때문에 생존율을 높일 수있다 비율로 40 % Google은 조만간 Nature 지에 발표 내용을 발표 할 계획입니다