Cloud OnAir: AI Inference on GCP: How to get the best out of GCP VMs with Intel Xeon Scalable

[음악 재생] SHAHH SHAHIDI : 클라우드 OnAir에 오신 것을 환영합니다 Google Cloud에서 웹 세미나를 생방송하십시오

매주 화요일마다 웨비나를 개최합니다 내 이름은시다 그리고 오늘 저는 GCP와의 AI 추론에 대해서 이야기 할 것입니다 인텔에 언제든지 질문 할 수 있습니다

인텔 및 Google 직원이 있습니다 누가 너의 질문을 할거야 시작하자 우리는 인텔 제온의 가치 제안에 대해 이야기 할 것입니다 및 GCP 및 인텔과 함께 GCP 환경을 구성하는 방법 하드웨어 및 소프트웨어 최적화, 귀하의 인공 지능을위한 최고의 성능을위한 도구 및 도구 신청

우리는 당신에게 작품 중 일부를 소개 할 것입니다 Google과 함께 2 회에 걸쳐 우리가 이러한 최적화를 가져올 수있는 방법 GCP에서 사용 가능하고 사용하기 쉬운 도구를 제공합니다 그래서 여기서 이야기의 아젠다가 있습니다 먼저 인텔에 대한 간단한 개요를 살펴 보겠습니다 AI에서 우리의 전략과 강점

우리는 우리의 제온 CPU에 대해 계속 이야기 할 것입니다 GCP에서 사용할 수 있습니다 그런 다음 AI에 대한 최상의 성능을 얻는 방법에 대해 이야기합니다 응용 프로그램, 다른 프레임 워크 조정 및 최적화 우리의 하드웨어에서 최고의 성능을 발휘합니다 마지막으로 우리는 2 년 이상의 협력에 대해 이야기합니다

Google Cloud를 사용하여이 성능을 쉽게 구현할 수 있습니다 GCP 개발자가 사용할 수 있습니다 나는 AI 고객의 진짜 예를 들고 싶다 인텔이 AI에 가져다주는 가치를 강조했다 이것은 산업 결함 검출의 라이프 사이클을 보여주고있다

계획 그리고 우리는이 라이프 사이클의 붕괴를 보여주고 있습니다 다른 단계로 다른 프로젝트들은 시간대별로 다르지만, 단계는 일반적으로 동일합니다 하단에서 솔루션 전체 시간 완전한 인공 지능 여행입니다

기회 평가부터 개발까지의 단계 최종 결과에 대한 평가 등의 작업을 수행합니다 중간에 개발 및 배포 부분을 확대합니다 데이터를 소싱하는 것을 포함하는 전체 솔루션 개념 개발 추론 전개 증명, 광범위한 응용 프로그램과의 통합도 가능합니다 상단에서 우리는 증명을 더 확대합니다 개념 개발 자체의 데이터 준비가 완료되었음을 알 수 있습니다 개발 시간의 대부분은, 그 다음에 모델을 훈련하고 테스트를하고, 플러스 문서

보시다시피, 많이 있습니다 계산 집약적 인 부분 전후에 일어날 필요가있다 우리가 핵심 기계 학습으로 지칭하는 생명주기 그리고 깊은 학습 단계 인텔은 전체 라이프 사이클에 걸쳐 고객과 협력합니다 솔루션에 대한 전반적인 시간을 단축 할 수 있습니다

데이터의 전반적인 흐름을 생각하는 것이 중요합니다 데이터 관리 및 기타 두통을 포함하여, 오히려 배포를 빠르게 수행 할 수있는 방법은 무엇입니까? 솔루션의 한 부분을 프리미엄급으로 가속화하는 것보다 자,이 개념을 조금 더 확장하기 위해, 여러 접근법을 간략하게 살펴 보겠습니다 배포 및 개발 전에 데이터를 준비하십시오 사이클 접근 방식 결정의 핵심 요소 데이터 스펙트럼에 착륙하는 곳입니다

귀하의 데이터가 하나의 출처 또는 다수 출신입니까? 구조화되었거나 구조화되지 않았습니까? 얼마만큼의 볼륨을 다루고 있습니까? 임무가 치명적인가 아닌가? 스트리밍 라이브 또는 배치입니까? 누구에게 접속해야합니까? 이것들은 여러분이 프로세스를 시작하기 전에 질문해야합니다 깊은 학습 여정 규정 요구 사항이 있습니까? 이러한 질문에 대한 귀하의 답변에 따라, 우리는 다른 접근 방식과 다른 도구를 추천 할 것입니다 데이터를 통합, 저장, 처리, 관리 및 분석 할 수 있습니다 예를 들어 실시간 스트리밍 데이터를 여러 센서에서 오는 통합 된 높은 처리량을위한 도구를 고려하고 싶습니다

낮은 대기 시간의 실시간 데이터 처리를 제공합니다 최종선에는 많은 다른 접근이있다 데이터를 설정하고 AI에서 데이터 준비하기 개발 및 배치 인텔은이 분야에서 방대한 생태계와 함께 작업합니다 솔루션을 최적화하여 실행 최신 하드웨어에 가장 적합합니다 이러한 최적화를 활용하면 데이터 준비주기에 최상의 성능을 제공하고, 관리를위한 오버 헤드와 두통이 거의없고 전혀 없습니다

데이터 이동 이제 우리는 서로 다른주기에 대해 이야기했습니다 우리가 핵심 기계 학습에 도달하기 전에, AI 응용 프로그램의 깊은 학습, 인텔의 완벽한 포트폴리오를 간략하게 살펴 보겠습니다 소프트웨어 및 솔루션 사실 인텔의 다양한 하드웨어 제품 포트폴리오에서 실행됩니다 우리의 소프트웨어 스택을 통해 우리는 모든 수준을 목표로합니다

인공 지능 전문 지식과 참여, 도서관 개발자, 데이터 과학자, 앱 개발자에게 도움이됩니다 우리는 또한 풍부한 솔루션 카탈로그를 보유하고 있습니다 내부 및 공개 사용 사례를 기반으로 솔루션 아키텍트와 공유 서로 다른 부문에 걸쳐 약간의 작업을 단순화하기 위해 이 도구들 중 몇 가지에 집중하고 싶다 오늘날 대부분은 GCP 개발자에게 적용됩니다 인텔 제온 프로세서부터 시작해 보겠습니다

우리의 인공 지능 솔루션의 토대가되는, 특히 GCP에서 우리는 몇 가지 개선 사항에 대해 이야기 할 것입니다 최신 세대의 Xeon CPU 어떻게 AI가 더 나은 성능을 발휘할 수 있는지 신청 다음은 오픈 소스 심 신경 네트워크 인 MKL-DNN입니다 우리 CPU의 기능 라이브러리 개발자는 이러한 프리미티브를 사용하여 가속화 할 수 있습니다 우리 하드웨어의 성능

그런 다음 인텔과 함께 스택의 다음 계층에 집중합니다 최적화 된 프레임 워크, 특히 TensorFlow, 이 프리젠 테이션의 목적을 위해, Intel의 Python 배포판도 포함되어 있습니다 마지막으로, 우리는 우리의 깊은 학습 개발에 초점을 맞출 것입니다 툴킷, 추측을 가능하게하는 OpenVino 다양한 하드웨어에서 최적화 된 성능 제공 통합 API를 사용하는 배경 인텔, 구글과 제휴 오랫동안 데이터 센터 인프라에 대한 2016 년 이래로 우리는 긴밀히 협력 해 왔습니다

하드웨어에서 실행되는 클라우드 솔루션에 GCP를 사용합니다 AI에 대한 우리의 계약 전략을 요약하면, 우리가 집중하는 세 가지 기둥이 있습니다 첫 번째는 제품입니다 Google과의 긴밀한 협력을 통해, GCP는 최초의 클라우드 서비스 제공 업체였습니다 최신 제온 확장성에 대한 액세스 제공 클라우드 환경의 프로세서, 심지어 몇 달 우리 제품의 일반적인 시장 가용성 전에

Google은 항상 기술의 최첨단에 있습니다 그리고 우리는 시간을 제공하기 위해 계속해서 협력합니다 GCP 개발자를위한 제품을 시장에 내 놓습니다 우리 전략의 두 번째 기둥 도구 및 라이브러리 작업 하드웨어 성능을 최대화 할 수 있습니다 이 작품은 제가 앞서 설명했듯이, 소프트웨어의 여러 레이어에 걸쳐 있음 프리미티브 및 라이브러리에서부터 유니 파이드 컴파일러 및 SDK에 이르기까지, 최적화 된 심층 학습 및 기계 학습 프레임 워크

마지막으로 GCP와 협력합니다 GCP에서 이러한 도구를 사용할 수 있고 쉽게 액세스 할 수 있도록 개발자를위한 환경 그럼 우리 제품에 대해 조금 이야기 해 봅시다 스카이 퀘이크 (Skylake)라고도 알려진 인텔 제온 (Intel Xeon) GCP에서 사용할 수있는 최신 인텔 CPU입니다 2017 년 1 분기 이후 이러한 프로세서는 CPU 코어의 수를 늘립니다

이전 세대에서 50 % 큰 VM으로 변환합니다 이제 Skylake 기반 VM을 선택할 수 있습니다 최대 96 개의 vCPU 및 최대 14TB의 메모리를 제공합니다 Skylake는 또한 많은 마이크로 아키텍처 상당히 큰 캐시를 포함하여, 더 큰 데이터를 저장할 수있는 응용 프로그램으로 변환됩니다

코어에 가까운 구조 데이터 구조가 코어에 맞지 않는 경우, 메모리에 더 빨리 액세스 할 수있는 메모리 대역폭이 더 있습니다 그리고 실행 측에, Skylake 많은 명령어의 명령어 대기 시간을 줄입니다 더 넓은 실행을 추가합니다 동시에 Skylake는 최신 버전을 구현합니다

인텔 벡터 명령어 인 AVX-512, 벡터에서 이전 세대의 두 배 폭을 제공합니다 부동 소수점 성능을 최대 82 % 향상시킬 수 있습니다 이 모든 것이 더 빠른 vCPU 및 컨테이너로 변환됩니다 GCE 및 GKE의 Skylake 및 기타 GCP 제품을 기반으로합니다 아시다시피, 필수 요소 중 하나 길쌈 신경 네트워크 모델링 뒤에 행렬 곱셈입니다

Xeon CPU에서는 명령어를 가속화합니다 이러한 작업을 가능한 효율적으로 수행 할 수 있습니다 Skylake는 오늘 FP32 벡터를 지원합니다 곱하기 및 덧셈 명령, INT8 명령 차세대 Intel Xeon 프로세서 새로운 VNNI 지침을 제공합니다 VNNI는 벡터 신경망 명령을 나타냅니다 하드웨어 가속을 포함합니다

INT8 컨볼 루션 명령 차세대 인텔 제온 프로세서에서, 흡입 작동을 수행하기위한 3-AVX 명령 하나에 융합되어 소비로 인해 속도가 향상됩니다 클럭주기가 짧다 우리는 프레임 워크 개발자들과 긴밀히 협력하고 있습니다 이 지침을 통합하기 위해 그들이 활용할 수 있도록 프레임 워크에 이러한 지침에 따른 성능 향상 귀하의 응용 프로그램에

그래서 우리는 새로운 지침에 대해 이야기했습니다 하드웨어의 모든 장점 우리의 신제품이 GCP에 가져다줍니다 그러나 모든 하드웨어는 소프트웨어만큼이나 우수합니다 그것의 위에 달리는 따라서 하드웨어에 기능을 제공하는 것 외에도, 우리는 소프트웨어 최적화에 집중 해 왔습니다

하드웨어의 모든 기능을 활용할 수 있습니다 우리는 지난 몇 년간 매우 긴밀하게 관계를 맺어 왔습니다 다른 프레임 워크 개발자들과 함께 라이브러리를 통합하고 최적화를 업스트림합니다 다음은 Google 최적화의 예입니다 1 년 반 동안 일해야합니다

Skylake CPU를 공개적으로 출시 한 2017 년 7 월부터, 추측에 약 54 배의 향상이있었습니다 성능, 전적으로 소프트웨어 최적화에서 동일한 인텔 하드웨어 비교 우리 최적화의 힘을 말할 수 있습니다 내년까지 우리의 차세대 Xeon CPU 공개적으로 사용할 수 있습니다 추론 성능이 대략 두 배가 될 것으로 예상하고, 새 하드웨어 가속으로 인해 지침, 구현 및 추가 성능 최적화

이 차트는 ResNet 50 성능을 기반으로합니다 분명히 컴퓨팅 부하가 적은 워크로드의 경우, 하드웨어에 다른 병목 현상이있는 경우, 결과는 덜 발음되지만 여전히 매우 중요합니다 자, TensorFlow에 약간 초점을 맞추자 프레임 워크 최적화에 대해 간단히 이야기하십시오 우리는 우리의 최적화 된 심 신경 네트워크에 대해 일찍 말했습니다 라이브러리

앞서 언급했듯이 MKL-DNN은 오픈 소스 수학 커널 라이브러리입니다 깊은 신경 네트워크 및 주요 빌딩 블록 우리의 프레임 워크 최적화 MKL-DNN은 때로는 매우 낮은 레벨을 사용하여 고도로 최적화되어 있으며, 어셈블리 코드만큼 낮습니다 API는 피드백과 상호 작용으로 개발되었습니다 주요 프레임 워크 소유자와 최적화는 여러 레이어에서 수행됩니다

첫째, 컨볼 루션 (convolution)과 같은 모든 프리미티브 (primitive) 행렬 정규화 및 행렬 정규화 최신 와이드 벡터를 활용하도록 다시 작성 명령 다음으로 서로 다른 레이어가 병렬화됩니다 사용 가능한 모든 코어를 효율적으로 사용할 수있게합니다 하드웨어에서 마지막으로, 프리 페칭, 캐시 블로킹 기술 및 데이터 형식 공간적, 시간적 지역성을 촉진하는 것 실행시 데이터를보다 유용하게 만드는 데 사용됩니다

단위에 필요합니다 MKL-DNN 프리미티브를 사용하는 것 외에도, 우리는 다른 기술을 사용하여 TensorFlow에 통합합니다 우리가 레이아웃 최적화를 좋아하는 것들이 있습니다 기본 TensorFlow 작업 교체, 퓨즈 작업, 전파 중간 상태 그리고 우리는 우리의 커스텀 CPU 풀 할당자를 가지고 있습니다

기본적으로 값 비싼 페이지 손실을 피하는 데 도움이됩니다 페이지가 지워집니다 Google은 이러한 최적화 작업을 위해 Google과 협력 해 왔습니다 2 년 이상 협력하고 계속 협력하십시오 새로운 지침과 프레임 워크에서 이익을 실현 공연

이제는 TensorFlow 및 기타 심층 학습에 더하여 우리는 파이썬에 최적화 된 라이브러리 우리는 NumPy, SciPy 및 SciKit-Learn를 가속화했습니다 인텔 MKL과 최적화는 conda와 Anaconda를 통해 가능합니다 일반 대중을위한 클라우드 및 다시 상류로 돌아옴 메인 파이썬 트렁크에 자세한 내용을 알고 싶다면 Intel 배포판에서의 Python 및 일부 성능 증거 [INAUDIBLE], 우리는 좋은 글을 남겼습니다 인텔 웹 사이트 소프트웨어에서 확인하십시오

나는 당신이 참조 할 수있는 슬라이드에 링크가 있다고 생각합니다 다음은 scikit-learn 라이브러리를 사용하는 예입니다 GCP 환경에서 중요한 성과 달성 속도를 올리다 이것은 K-Means 클러스터링 알고리즘을 사용하고 있습니다 최대 23 배 빠른 이득을 볼 수 있습니다

인텔 scikit-learn 대 주식 scikit-learn 사용 파이썬의 라이브러리 그리고 이것은 96 vCPU Skylake 인스턴스의 GCP에서 실행됩니다 이제 우리는 인텔 최적화 라이브러리에 대해 이야기했습니다 그리고 프레임 워크, 나는 약간의 시간을 보내고 싶다 Google과의 공동 작업에 대해 이러한 최적화 성능을 제공하는 클라우드 GCP에서 쉽게 액세스 할 수있는 자산으로 사용할 수 있습니다

우리는 Intel 최적화 된 Docker 이미지를 생성했습니다 TensorFlow 및 인텔 배포 Python Docker Hub와 GitHub에서 이 Dockers에 액세스 할 수있는 링크가 있습니다 기본적으로 이것은 소프트웨어의 모든 장점을 가져올 것입니다 한 번 클릭으로 Docker 이미지를 다운로드 할 수 있습니다

그래서 이들을 사용하여 더 빠르고 효율적으로 개발할 수 있습니다 또한 Google과 협력 해 왔습니다 파이썬의 인텔 배포판을 만들기 위해, 뿐만 아니라 일부 인텔 성능 라이브러리, Google 컨테이너 레지스트리에서 사용 가능합니다 인텔 성능 라이브러리에는 라이브러리 인텔 수학 커널 라이브러리, 인텔 스레딩 빌딩 블록, Intel NPI, IPP 및 데이터 분석 가속 라이브러리 VM에서이 라이브러리를 사용할 수 있으려면, 당신은 런타임이 실제로 있는지 확인해야합니다

이 라이브러리에서 사용할 수 있습니다 링크에 대한 좋은 지시 사항이 있습니다 런 타임을 다운로드 할 수있는 웹 사이트 VM 인스턴스에서 사용할 수 있도록합니다 인텔 최적화 라이브러리가있는 컨테이너 외에도, 우리는 Google과 협력 해 왔습니다 최적화 된 가상 시스템 이미지를 만듭니다

사용 및 배포 용이성 외에도, 이러한 이미지는 개발자가 항상 최신 버전의 최적화 활용 이 이미지들을 통해 최근 GCP는 인텔 최적화 된 두 개의 VM 이미지를 발표했습니다 하나는 TensorFlow, 1120을 사용하여 최신 MKL-DNN 및 MKL 라이브러리, 인텔 최적화가 적용된 또 하나 세 개의 파이썬 라이브러리 – numPy SciPy와 scikit-learn

이러한 이미지는 환경 변수 설정을 자동화합니다 올바른 변수를 사용하고 Google Cloud를 통해 사용할 수 있습니다 마켓 플레이스, GCE, OS 이미지 및 명령 줄 인터페이스 조금 시간을 보내고 싶다 시작하는 방법을 안내합니다 GCP에서 올바른 플랫폼을 선택하는 방법 최적화 된 이미지에 액세스하는 것

Google Compute Engine에서 시작하려면 인스턴스 생성, CPU 플랫폼 풀다운 메뉴로 이동 Intel Skylake 이상을 선택하십시오 귀하의 신청서가 최신 하드웨어 향상 기능을 활용할 수 있습니다 Skylake의 장점에 대해 이전에 이야기했습니다 이전 세대 CPU보다 그리고 가용성 측면에서, Skylake는 현재 17 개 GCP 지역 중 16 개 지역에서 사용할 수 있습니다 콘솔을 사용하지 않는 경우 Cloud Shell에서 min-cpu-platform 플래그를 사용할 수 있습니다

CPU를 선택하십시오 Skylake 가용성을 갖춘 16 개 존 중 하나에서, 인텔 스카이 레이크에 플래그를 설정할 수 있습니다 Skylake에서 실행되도록 VM을 만들 때 앞에서 설명한 것처럼 VM 이미지의 주요 전제 인텔 최적화 및 도구를 쉽게 만드는 것입니다 GCP 개발자가 사용할 수 있습니다

Intel에서 VM 이미지에 액세스하는 방법 중 하나 최적화 된 TensorFlow 또는 Intel 최적화 Python은 Google Cloud Marketplace를 사용합니다 Google Cloud Console 환경에서, 마켓 플레이스를 클릭하고 심층적 인 학습 VM 이미지를 찾으십시오 클릭 한 번으로 배포 할 수 있습니다 VM상의 이러한 이미지 GCE에서이 이미지에 액세스 할 수도 있습니다

설정하는 동안 더 많은 제어 기능을 찾고 있다면 VM, 최적화 된 OS 이미지 배포 부팅 디스크를 변경하고 하나를 선택하여 인텔 최적화 이미지 최적화를 최대한 활용하려면 최신 아키텍처에서 Intel Skylake로 CPU 플랫폼을 선택해야합니다 또는 나중에이 작업을 수행하는 동안 그리고 Google 콜 커맨드 라인 인터페이스를 사용하는 경우, 다음 명령을 사용하여 VM 이미지를 시작할 수 있습니다 라인 옵션 이미지 계열 변수를 Intel 고유의 이미지 중 하나로 설정하십시오

인스턴스를 작성할 때 유형을 지정하십시오 min-cpu-platform 변수를 설정할 수도 있습니다 최신 인텔 CPU, Skylake 이제 툴킷에 대해 이야기하고 싶습니다 그래서 우리는 도서관에 관해 이야기했습니다 우리는 소프트웨어 스택의 여러 레이어에 대해 이야기했습니다

그리고 지금까지 라이브러리와 프레임 워크에 중점을 두었습니다 그리고 우리 툴킷에 대해 조금 이야기하고 싶습니다 인텔 하드웨어를 개발하는 데 도움이되는 것 Google Cloud를 사용한 최신 프로젝트 Kubeflow 파이프 라인에있다 그리고 우리는 통합 작업을하고 있습니다

개발 툴킷의 일부를 Kubeflow 파이프 라인에 통합합니다 이전에 우리는 우리의 소프트웨어 툴킷에 대해 조금 이야기를 나누었습니다 서로 다른 인텔 하드웨어에 공통 API를 제공합니다 이 소프트웨어 툴킷은 OpenVino로 알려져 있습니다 열린 시각적 유추를 의미하는 및 신경망 최적화

OpenVino에는 세 가지 주요 구성 요소가 있습니다 첫 번째는 심층 학습 배포 키트 또는 DLDT입니다 두 번째는 OpenCV 및 미디어입니다 SDK는 전통적인 비전 및 비디오 처리에 사용됩니다 세 번째는 사전 훈련 된 모델 모음입니다

및 자습서 요약하면, OpenVino는 통합 프로그래밍 모델을 제공합니다 하드웨어 전반에 걸쳐 성능 및 메모리 최적화 사용자 정의 워크로드를 위해 확장 가능하며, 광범위한 운영 체제 지원을 제공하며, 단순한 out-of-the-box 경험을 위해 자체 완비되어 있으며, 커뮤니티가 기여할 수있는 오픈 소스입니다 향상시킬 수 있습니다 오늘 집중할 구성 요소 기본적으로 모델 최적화 프로그램을 제공하는 DLDT입니다 통합 API가있는 추론 엔진 다른 인텔 하드웨어를 통해

그래서 Intel과 Google은 파트너 관계를 맺고 있습니다 DLDT의 성능 및 사용 편의성 제공 Kubeflow에 DLDT 컨테이너를 추가하여 GCP 개발자에게 관로 데이터 과학자로서 엔드 투 엔드 솔루션을 만들고 있다고 가정 해보십시오 일부 의료 이미지를 기반으로합니다 여러 다른 컨테이너를 통해 작업을 수행 할 수 있습니다

데이터 처리, 데이터 변환, 데이터 검증 컨테이너는 데이터 읽기를 용이하게하며, 데이터를 예상 된 포맷으로 변환하는 단계, 사용 가능하고 적절히 라벨이 붙어있는 것으로 데이터를 검증하는 것 이 데이터는 강사 컨테이너로 전달됩니다 출력은 다음과 같은 모델 유효성 검사 컨테이너로 전달됩니다 모델을 배치하거나 게재 할 준비가되었는지 확인합니다 교육받은 모델은 최종 당사자가 제공하는 데 사용됩니다

OpenVino가이 흐름에 통합되는 방식 훈련 된 모델이 DLDT 모델 최적화 프로그램에 공급된다는 것입니다 모델 최적화 기는 최적화 된 IR을 생성합니다 그리고 나서 최적화 된 IR이 서빙 DLDT 컨테이너는 기본적으로 추론 엔진을 사용합니다 Intel 하드웨어에서 가능한 한 효율적으로 실행 백엔드 여기에는 Kubeflow 파이프 라인을 통합하는 몇 가지 예가 있습니다 OpenVino 컨테이너

여기에 제공된 링크에는 두 가지 예가 있습니다 그리고 우리는 당신이 앞서 가서이 예들을 시도하도록 초대합니다 이 컨테이너를 통합하는 흐름을 따라 가야합니다 Kubeflow 파이프 라인으로 OpenVino와 그 이점에 대해 더 많이 배울 수 있습니다

하단의 링크를 사용하십시오 또한, 제 동료들은 AI 파이프 라인 및 인텔 OpenVino 소개 웹 세미나 내가 격려하는 통합 너는 배우기 위해 지켜보아야한다 마무리하기 만하면됩니다 AI 개발자를위한 인텔 리소스에 대한 자세한 내용 인텔 AI 아카데미는 최고의 장소입니다 인텔 자산 및 도구에 대해 더 자세히 배우기 시작했습니다

AI 빌더스 솔루션 라이브러리는 훌륭한 원 스톱 매장입니다 인텔 AI 기술 기반 솔루션을 찾는 방법 다른 분야에서 인텔의 GCP 방문 페이지는 훌륭한 출발점입니다 GCP에서 활성화 된 인텔 기술에 대해 자세히 알아보십시오 그걸로 다시 한 번 감사드립니다

AI의 일부를 소개 할 기회 GCP의 기술 라이브 Q & A를 위해 계속 지켜봐주십시오 내 동료, Banu, 몇 가지 질문에 대답하는 데 도움이됩니다 우리는 1 분 안에 돌아올 것입니다 SHIDE SHAHIDI : 그래서 여기 나와 함께 Banu 있습니다 그리고 우리는 많은 질문에 답하려고 노력할 것입니다

우리가 할 수있는대로 관객으로부터 내가 이야기하는 동안 몇 가지 질문을 수집했습니다 Banu, 그래서 질문 여기에, "고객의 사례는 무엇입니까? AI에 Xeon을 사용합니까? " BANU NAGASUNDARAM : 정말 좋은 질문입니다 AI에는 많은 고객이 있습니다 두 기계 학습 모두에 제온 프로세서를 사용하는 사용자 그리고 깊은 학습 작업량

특히 인공 지능에 대한 깊은 학습에서, 두 가지 유형의 작업 부하가 있습니다 우리가 지원하는 추론과 훈련을 위해서 우리의 고객은 Xeon 확장형 프로세서, SkyLake CPU, 스트리밍 추론 및 배치 추론에 사용됩니다 최근 스트리밍 추론의 한 예 얘기 Taboola했다 웹을 제공하는 추천 엔진입니다

웹 서비스 응용 프로그램 용 또한 Xeon CPU를 사용하여 데이터를 가져옵니다 그것을 스트리밍하고 실시간 추론을한다 데이터에 또한 약 360 억 건의 권장 사항을 제공합니다

매월 10 억 명의 고유 사용자가 있습니다 이것이 스트리밍 추론의 한 예입니다 그리고 일괄 유추를 위해 우리는 GE Healthcare와 같은 고객은 이미지 인식 워크로드에 Xeon CPU를 사용합니다 그리고 그들의 업무량은 마약에 관한 것입니다 – 더 많은 CT 스캔 및 제약 관련 그리고 그들은 배치 추론을 위해 Xeon CPU를 사용합니다

데이터베이스가있는 경우, 수집 된 집합 데이터의 그리고 그들은 그것을 사용하여 큰 배치 크기로 추론을합니다 그리고 그들은 엄청난 양을 깨달았습니다 Xeon CPU를 사용하여 성능이 향상되었습니다 그런 다음 교육 워크로드도 제공합니다

우리는 제약 업계의 노바티스와 같은 회사를 보유하고 있습니다 기본적으로 높은 콘텐츠 심사를하고 있습니다 정말 큰 이미지 크기 벤치 마크 중 일부를 살펴보면 예를 들어 ResNet-50과 같이 사용하는 그들은 ImageNet 데이터베이스를 사용합니다 그리고 그것은 더 작은 이미지 세트입니다

그러나 실생활에서는 고객이 훨씬 더 큰 이미지 크기를 사용합니다 그리고 노바티스는 훈련에 대한 사례 중 하나입니다 그들은 시간의 개선을 달성했다 Xeon CPU를 사용하여 교육 및 처리량을 향상시킬 수 있습니다 그래서 그것들은 우리 고객의 몇 가지 예입니다

AI 용 Xeon SHAHH SHAHIDI : 나는 다음 질문의 종류가 암시한다고 생각한다 그뿐 아니라 다음 질문은 "Xeon에서도 교육을 실행할 수 있습니까?"입니다 그래서 우리는 추론에 대해 이야기 해 왔습니다 설정 방법 및 Xeon 및 GCP에서 사용하는 방법에 대해 설명합니다

교육을 진행중인 고객의 사례가 있습니까? 제온에요? 그것은 가능합니까? BANU NAGASUNDARAM : 맞아 네 그건 좋은 질문이야 따라서 제온 CPU는 다목적 CPU이며, 이는 다양한 작업 부하에 사용됩니다 그리고 깊은 학습은 하나의 부분 집합입니다

인텔에 매우 중요한 워크로드 중 우리의 고객 그 일환으로 Xeon CPU에 대한 교육을 실행할 수 있습니다 내가 암시 한 사례 중 하나는 노바티스 (Novartis)였다 그러나 내가 만질 수있는 몇 가지 다른 것들이 있습니다 예를 들어, HPC와 AI의 수렴에서, 우리는 고객을 위해 실행되는 작업 부하를 가지고 있습니다

엄청나게 큰 데이터베이스에 예제 중 하나는 – 최근에 우리는 Supercomputing 2018 컨퍼런스에서, 프랑스 연구 기관인 [INAUDIBLE] Xeon CPU를 사용하여 여러 CPU에서 교육을 확장 할 수있었습니다 128 노드, 확장 효율성 향상 필요한 정확성을 얻는 것입니다 그래서 이것은 어떻게, Xeon에서 교육을 실행할 수 있습니다 추가 하시겠습니까? SHAHIDI : 예

사실 사실 GCP에서, 우리는 제온 (Xeon)에 대한 교육을 받고있는 고객이 몇 명 있습니다 그들의 응용 프로그램은 시각 효과에서 건너갑니다 위성 이미지로 장바구니 실험실은 공개적으로 Xeon에 대한 교육을 받고 있다고 발표했습니다 실제로하고있는 몇 가지 다른 것들이 있습니다 GCP 환경에서 BANU NAGASUNDARAM : 좋습니다

네 내 마음에 온 또 다른 한 가지 예가 CERN이었습니다 그들은 대형 Hadron Collider를 사용합니다 그리고 그들은 수집하는 엄청난 양의 데이터를 가지고 있습니다 그리고 그들은 몬테카를로와 같은 고성능 컴퓨팅을 실행합니다

시뮬레이션을 할 수 있습니다 또한 분산 된 교육을 위해 Xeon CPU를 사용합니다 256 개 노드에 걸쳐 그리고 우리는 3D-GAN에 대한 한 예를 보여주었습니다 적대적인 네트워크가 생성되어 여러 Xeon 노드에서 효율을 높일 수 있습니다 SHAHIDI : 알았어요

승인 큰 그래서 보자 BANU NAGASUNDARAM : 다음 물어볼 수 있습니다 그래서 언제 "우리는 깊은 학습 향상에 접근 할 수 있습니까? GCP의 VNNI에? " SHIDE SHAHIDI : 좋습니다, 그래서 좋습니다

VNNI 지침 및 심화 학습 차세대 Intel Xeon CPU에서 사용할 수 있습니다 실제로 샘플을 고객에게 보내고 있습니다 올해 말에 GCP에서 사용할 수있을 때 실제로는 GCP 담당자를위한 질문 따라서 GCP 담당자와 연락하는 것이 좋습니다

언제 그들의 타임 라인을 알아 내기 위해 그들은 그들의 플랫폼에서 이것을 이용할 수있게 할 것입니다 그래서 나는 당신을 위해 하나를 가지고있다 사실, 마지막에 가자 먼저 그 질문에 대답하기를 바랍니다 그리고 나서 시간이 있다면, 우리는 이전 시간으로 돌아올 것입니다

그래서 "다른 토폴로지와 프레임 워크는 무엇인가? 인텔 하드웨어에 최적화되어 있습니까? " BANU NAGASUNDARAM : 그것은 좋은 것입니다 따라서 인텔 포트폴리오 슬라이드 다른 프레임 워크를 보여주었습니다 우리가 최적화 한 요약하면 TensorFlow는 주로 프레임 워크 최적화 그러나 그 외에도 MXnet도 사용합니다 Caffe, 너무

그런 다음 PyTorch와 PaddlePaddle 프레임 워크의 몇 가지 예입니다 우리가 최적화 할 수 있습니다 토폴로지 측면에서 우리는 다양한 토폴로지를 수행합니다 그리고 그들은 유스 케이스와 매우 관련이있다 우리 고객이 신청하고 있습니다

예를 들어 이미지 인식을 실행하고, 이것은 Resnet-50, Inception v3 예제와 같습니다 우리는 물체 감지를합니다 YOLO가 그 예입니다 우리는 이미지 분할을합니다 이미지의 특정 세그먼트를보고있다

그것은 Mask R-CNN과 같습니다 우리는 또한 신경 기계 인 언어 번역도합니다 번역 작업 부하 그리고 나서 마음에 떠오르는 다른 것들 중 일부 TTS (text-to-speech)입니다 WaveNet은 TTS (text-to-speech) 워크로드의 좋은 예이며, 심지어 권장 시스템 (예 : Wide & Deep 또는 신경 협동 필터링과 같습니다

기본적으로 토폴로지는 매우 다양합니다 이러한 다양한 프레임 워크에서 최적화 할 수 있습니다 SHAHIDI SHAHIDI : OK, 라이브러리 및 프리미티브뿐만 아니라 우리는 또한 프레임 워크를 가지고 있습니다 그리고 그것은 우리가 서로 다른 토폴로지로 작업하는 부분입니다 다른 작업 부하에서

아마 우리는 한 번 더 질문 할 시간이 있다고 생각합니다 "인텔 최적화 소프트웨어의 이점은 무엇입니까? 왜 내가 그것을 필요로합니까? " BANU NAGASUNDARAM : 좋은 질문입니다 [웃음] 나는 시작할 수 있고 그 다음에 그걸 추가 할 수 있습니다 SHIDE SHAHIDI : 물론입니다 BANU NAGASUNDARAM : 그래서 Shideh 오늘 너 얘기하고있다

우리가 할 수있는 다른 것들은 무엇입니까? 그러나 우리는 왜 그것을해야합니까? 예를 들어 Skylake와 같이 우리가 구축 한 하드웨어는 ADX-512 명령어가 있습니다 차세대 제온 CPU는 VNNI 지침이 있습니다 이 지침에서 성능을 얻으려면, 그 위에 개발 된 라이브러리가 필요합니다 이 지침을 사용하십시오 그리고 일단 당신이 그러한 라이브러리를 개발하게되면, 이러한 라이브러리를 호출하기위한 프레임 워크가 필요합니다

그래서 우리는 당신이 최신 버전이 필요하다고 말합니다 인텔 하드웨어에 최적화 된 소프트웨어 최상의 성능을 얻으려면 GCP를주고 싶니? SHACHH SHAHIDI : GCP와 거의 같은 것입니다 BANU NAGASUNDARAM : 좋습니다 승인 SHIDE SHAHIDI : 프레임 워크가있는 한 및 토폴로지를 사용할 수 있는지 확인하십시오

최신 버전을 사용하고 있는지 확인하십시오 하드웨어와 소프트웨어 중 가장 뛰어난 것입니다 시도 해봐 그리고 당신의 공연이 보일 것입니다 이점과 부스트

BANU NAGASUNDARAM : 맞아 SHAHH SHAHIDI : 그래서 생각, 우리는 닫을거야 다음 세션 소개를 위해 계속 지켜봐주십시오 인공 지능 허브, 모든 인공 지능을위한 원 스톱 카탈로그 고맙습니다

BANU NAGASUNDARAM : 감사합니다 [음악 재생]

When Rivers Rise: How AI is helping predict floods

예전에 들판이 있을 때는 친구들과 나가서 놀곤 했었어요 즐거운 한때였죠 그런데 강물이 넘쳐서 모든 게 떠내려갔어요 지난 100년간 가장 발생 빈도가 높아지며 막대한 인명 피해를 입힌 자연재해는 홍수입니다 가가라강이 모든 걸 빼앗아갔어요 저희 마을에는 아무런 경보도 없었어요 미리 알 수 있었다면 도움이 될 텐데 그러지 못했죠 아직도 효과적인 조기 경보 시스템이 갖춰지지 않은 국가가 많습니다 홍수로 인한 사망자의 20%는 인도에서 발생합니다 강물이 차오를 때 [라디오 경보 방송 중] 우기 동안의 강우량이 최고 수준이지만 올해 강우량은 그 어느 때보다도 높았습니다 위기 상황에서 가장 중요한 변수 중 하나는 신뢰할 수 있는 정보예요 정부, UN, NGO에서 이미 많은 성과를 이뤄놓았으니 저희는 여기서 배우고 한 걸음 더 나아가면서 목표를 이루는 데 보탬이 될 거예요 인도에서 첫 번째 파일럿 프로그램을 진행 중인데요 인도에는 정부에 고용돼서 강물 수위를 측정하는 사람들이 전국적으로 수천 명에 달해요 양수표라고 부르는 아주 긴 측정용 막대로 매시간 수위를 측정하죠 이 방법으로 강물이 범람해서 홍수가 발생할지 알 수 있어요 하지만 어디에서 홍수 피해를 입을지 정확한 지역을 예측하기는 어렵죠 어떤 동네나 마을이 될지 알 수 없어요 아침에 마을 장로님이 경보를 전달해 주셨어요 홍수가 들이닥치기 불과 몇 시간 전이었죠 좀 더 빨리 알았다면 좋았을 거예요 대응 시간이 제일 중요해요 전체적인 재해 관리 시스템의 관점에서 봤을 때 대응 시간을 줄이는 게 가장 핵심적인 역할을 하죠 최첨단 기술을 활용하면 더욱 신속하게 재해 경보를 전달할 수 있을 거예요 홍수 예측은 조사가 아주 많이 필요한 프로젝트였어요 기술적인 측면에서 보면 실제로 도움이 될 만큼 정확한 예측을 할 수 있도록 정보를 충분히 수집할 수 있을지가 문제였죠 그래서 저희는 현재 상황, 재해 발생 지역 대응 방법 등 필요한 정보를 수집하는 것부터 시작했어요 실시간 예보를 제공하기 위해 정부와 협력하고 있어요 정부의 홍수 예측 시스템에 정확한 모델링을 더해 보완했죠 우선 수천 장의 인공위성 이미지를 수집해서 디지털 지형 모델을 만들어요 이 지도를 바탕으로 강물이 어떻게 움직일지 보여주는 시뮬레이션을 수십만 가지 만들죠 그런 다음 정부에서 측정한 수치를 받아 시뮬레이션에 통합해요 그리고 Google 검색, 지도와 Android 알림을 통해 사람들에게 예보를 전달하죠 저희가 만들 수 있는 경보는 이런 모습이에요 페다나 지역에 내려진 경보죠 정확도가 90% 이상이에요 경보 발령에 걸리는 시간이 정말 중요해요 – 맞아요 – 구체적인 정보보다 중요하죠 어떤 정보든 제때 제공할 수만 있다면 도움이 돼요 경보를 보여드려 볼까요? 심각한 홍수를 실제로 경험한 사람들과 이야기를 나누고 진짜 필요한 게 무엇인지 파악하는 게 정말 중요해요 어떻게 하면 도움이 될지 알 수 있거든요 전 세계적인 차원에서 협력할 기회이기도 해요 지금 우리는 기술을 활용해서 변화를 일으킬 수 있는 멋진 시대에 살고 있어요 저희가 좋아하는 기술 개발 일을 하면서 사람들에게 실제로 아주 큰 도움을 주고 있으니 이보다 멋진 일은 없을 거예요 홍수가 일어나기 며칠 더 전에 경보를 발령하는 게 목표예요 그리고 AI를 활용해 전 세계 어디라도 홍수 예측이 필요한 곳에 예측 기술을 전하고 싶어요 위기 대응 및 연구팀에서는 AI를 활용하여 화재 및 여진 등의 다른 자연재해에도 더 빠른 경보를 제공하는 방법을 연구하고 있습니다

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

How to get a job at Google (Software Engineer 2018)

이봐, 무슨 일이야? 이 에피소드에서는 리처드 리우 8 년간 Google에서 근무했습니다 그의 시간 동안, 그는 500 명 이상을 고용했습니다

Google 그는 구글을 떠나서 자기 자신을 만들었다 Leapai라는 직업 검색 플랫폼 AI를 사용하여 직업 검색하기 10 배, 10 배 더 빠름 그래서 나는 그가 완벽한 손님이라고 생각 했어 우리에게 말하기 Google에서 일하는 방법 이봐, 무슨 일이야? 오늘 나는 리차드를 만났어 그는 Leap

ai의 CEO 겸 창립자입니다 그는 8 년간 Google에서 근무했습니다 자기 부서가있는 얼마나 많은 사람들을 Google에 고용 했습니까? 서로 다른 부서에 약 500 명 그래서 당신은 약 500 명을 고용했습니다 8 년 동안 구글에 너무 많은 사람들이 있다고 생각하지 마라 질문에 더 많은 경험이있다

"어떻게하면 Google에서 직업을 구합니까?" 당신이 적어 놓은 첫 번째 요점은 "너는 학위가 필요 없어" 전혀 학위를받을 필요가 없다 공동 창립자, 그는 10 년 동안 Google에있었습니다 그는 심지어 나보다 젊다

그가 Google에 합류했을 때, 그의 테크 리드 학위가 없었어 그래서 그것은 매우 확실합니다 학위가 필요 없다고 좋아, 그럼 누군가가 학위를 갖고 있지 않으면 Google에 자신을 증명할 수있는 방법 그들이 유능하다는 것을 코더? 그들은 무엇을 제출해야합니까? 나는 구글이라고 생각한다 집중하지 않는다 어떤 학위를 가지고 있든간에 더 많은 것에 집중했다

네가 할 수있는 일의 종류 당신이 얼마나 좋은 코더인가? 너는 쉽게 너를 증명할 수있어 놀라운 프로젝트에 참여한 경험이 있다면 이력서에 해당 프로젝트의 기술적 깊이 또는 제출물이 있습니다 너는 아마 누군가와 일했을거야 당신이 얼마나 능력이 있는지 압니다 그 사람을 참고 자료로 사용하고 Google에 서면으로 작성하여 귀하를 보증합니다

너를 위해 문을 열어도 충분할거야 Google의 소프트웨어 엔지니어가 되려면 특정 언어를 알고 있다면 어떻게 될까요? 그들은 찾고 있지 않습니까? 말하자면, 당신은 Perl을 정말 잘한다 Google은 Perl을 필요로하지 않으며 여전히 사용자를 고용 할 것입니까? 하지만 당신은 펄을 절대적으로 잘한다 자동으로 실격 처리됩니까? 당신은 그들이 원하는 언어를 모르고 있습니까? 나는 구글이 다양한 언어를 찾고 있다고 생각한다 자바, C + +, 파이썬

언어의 무리 한 현대 언어가있는 한 나는 "현대 언어"를 사용해야한다 Perl은 현대 언어로 간주되지 않습니다 당신은 어떤 언어를 고를 기회를 얻는다

너 인터뷰에서 사용하고 싶다 그 사람들 대부분은 많은 언어를 쓸 수 없더라도 모든 언어 나 자신에 관해서는, 나의 C ++는 매우 녹슬었다 하지만 누군가가 C ++을 쓰면 이해할 수 있습니다 누군가가 Google에서 일하기를 원한다면 소프트웨어 엔지니어로서, 그들이 배워야 할 최고의 언어는 무엇입니까? 그건 그것들을 위해 가장 쉽게 만들거야 Google의 소프트웨어 엔지니어가 되려면? 가장 인기있는 언어는 자바, C + + 및 파이썬 완전한! 좋아, 그럼 2 번 너는 썼다

Google은 이전 경험에 대해별로 신경 쓰지 않습니다 어떻게 생각하는지에 대해 그래 너는 어떻게 생각하니? 또한 귀하의 진정한 역량과 잠재력 수년간의 경험이 없어도 상관 없습니다 좋은 컴퓨터 과학 기초가 있다면 당신이 똑똑하고 추진력이 있다면 물건을 빨리 집어 올릴 수 있습니다 미친 듯이 자랄 수 있어요

내 경험을 바탕으로 Google에 온 숙련 된 사용자를 위해 그들 중 일부는에 적응하는 데 어려움을 겪는다 Google 환경 그들은 "나는 이렇게했다"고 말할 것이기 때문이다 Google에 방문하면 전적으로해야합니다 환경에 적응하라 당신이 중학생이고 높은 잠재력을 지녔다면 너는 잘 배우고, 꿈꾸며

당신은 실제로 "공을 아주 잘 차버릴"수 있습니다 나는 일반적인 오해가 네 눈물의 경험이 필요해 개발자로서 또는 소프트웨어 엔지니어로서 Google에서 일하기 전에 하지만 네가하지 않는다고 말하는거야 Google, 실제로 신선한 졸업생을 많이 고용합니다 네가 말한 포인트 넘버 3은 "연습" Google에 고용 된 경우 많은 코드를 작성하게됩니다

당신은 다른 알고리즘으로 평가 될 것입니다 시스템 설계 그러니 한 이야기를 나눠 보겠습니다 Google에 합류했을 때, 나는 거기에서 꽤 시니어였습니다 나는 100 명 이상의 사람들을 관리하고 있었다 나는 준비가 안됐어

코드 작성을 부탁했습니다 "당신은 보드에 코드를 작성할 수 있습니까?" 코드를 작성할 수있게되었습니다 그러나 실제로, 그들은 많은 양의 코드를 작성하도록 요청할 것입니다 그렇다면 어떻게해야할까요? 그럼 그냥 연습해야 해 모든 종류의 웹 사이트로 이동 코드 연습하기 내 친구의 회사 중 하나 인 Leetcode 코드를 연습하는 사람들에게 아주 좋은 장소입니다

어떤 웹 사이트가 코딩을 연습해야합니까? 내 친구의 회사 중 하나 인 Leetcode 4 위, 2 위 ~ 마지막 지점은 품질 추천을 받다 수많은 사람들이 구글, 이력서의 대부분은 걸러 낸다 당신이 매우 강한 추천을한다면 소개, 정말 당신의 작품을 알고 너에 관해 좋은 말을 할 수있다 대신 이력서를 제출하는 대신 "나는 매트를 알게되고,이 녀석은 정말로 관대 한 남자, 아주 일하기 쉬워 " 너는 좋은 말을 써 그리고 그것은 많은 것을 점검 할 것입니다 고위 인사가 있으면 너에 대한 아주 좋은 것들 그 추천 코멘트는 당신을 엄청나게 도울 것입니다 품질 우수 추천을 어떻게받을 수 있습니까? 우리는 실제로 Leap

ai 웹 사이트에 블로그가 있습니다 우리는 이미 추천의 힘에 대해 이야기했습니다 첫 번째 계층 추천 노인이고 너를 정말로 잘 아는 누군가 소개의 두 번째 계층 회사에서 선배가 아닌 사람 하지만 너 정말 잘 아는구나 추천 3 단계 노인이지만 잘 모르는 사람 가치가 떨어지는 최악의 추천 주니어이고 잘 모르는 사람 가장 좋은 방법은 너는 너의 일을 정말로 아는 누군가를 두드리고있다

내가 너를 모른다면 매트, 나는 일반적인 단어 만 넣을 수있다 "나는 매트를 사회적으로 알지" "그는 좋은 남자와 대화하는 것이 현명한 것 같다" "나는 그의 기술 능력을 모른다" 그러한 추천 유형은 가치가 떨어질 것입니다 그래서 당신의 일을 정말로 아는 누군가를 찾으십시오

그들은 누군가를 가치있게 찾을 수 있습니까? 내 제안은, 이것은 단지에 적용되지 않습니다 소프트웨어 공학 제 청중에게 회의에 참석하라고 말했습니다 나는 그들에게 만남에 가라고했다 기안자들에게 가기 가능한 한 많은 사교 행사에 참석할 수 있습니다 그들이하는 일에 부설하다

해피 아워 일 수있다 코딩에 대한 좋은 점은 그것은 매우 열정적 인 공동체입니다 Google과 같은 코드 회담 또는 회사와 같은 기술 회사 일 수도 있습니다 Leapai는 대화를 나눌 수 있습니다

bootcamp 또는 이와 비슷한 것을 코딩하는 것을 좋아합니다 추천을 찾는 것이 가장 좋은 방법이라고 생각하십니까? Advisor라는 프로그램이 있습니다 고문을 찾으러 거기에 갈 수 있습니다 이 경우, 누군가에게 요청할 수 있습니다 Google에서 제공하는 Google의 누군가가 그 사람과 이야기합니다

기본적으로 무료 인터뷰를 받는다 그 사람은 말할 수 있습니다 "나는 Matt와 채팅하는 것을 정말로 즐겼다 그는 똑똑한 녀석 인 것 같아 나는 그를 추천하고 싶다 " 끝난! 그건 그렇고, 그건 조금 비열하다

행동 촉구, leapai 체크 아웃 설명에 링크가 포함됩니다 아래 링크를 사용하면 직장에 도착하면 500 달러를 벌 수 있습니다 through leapai 마지막 지점으로 이동합니다

Google이 인터뷰하는 사람들을 평가하는 방법 이해 나는 이것이 가장 중요한 부분이라고 생각한다 많은 사람들이 인터뷰를 마치고 대답을 얻었습니다 그들은 훌륭한 일을했다고 생각합니다 그거 알아? 당신은 아마 당신이 생각하는만큼 잘하지 않았을 것입니다 그들이 질문을 할 때 많은 시간을 보낸다

그들은 여러 단계를 거친다 그래서 내가 너에게 물으면, 보통 나는 5 단계가있다 약한 후보자는 2 단계 만 완료 할 수 있습니다 그 사람은 기분이 좋고, 시간은 올랐다 그럼 나는 더 이상의 질문을하지 않는다

하지만 실제로, 당신은 2 단계 만했습니다 나는 평균 점수 만 줄거야 그러나 정말로 강한 것들은 계속해서 3 단계와 4 단계 가장 좋은 것들은 5 단계로 나아 간다 너는 알 것이다 구워지면 많은 질문에 대한 후속 조치 특히 당신이 매우 열심히 느끼는 마지막 하나 너 자신에 대해 나쁘게 생각하지 마라

너는 훨씬 나아 갔기 때문에 대부분의 후보자들보다 그래서 그것의 번호는 1입니다 실제로 당신이 끝내면 여러 단계, 잘했을 가능성이 큽니다 둘째, 그들은 당신이 어떻게 생각하는지 더 신경써 요 정답보다 답을 쫓지 않고 당신은 정말로 당신이 어떻게 생각하는지 증명해야합니다 질문을 받으면 그 순간에 당신은 그것을하는 법을 정말로 모릅니다

너는 그렇게 말하면 돼 "내가 여전히 최적화를 검색 할 때 이것에 대한 algorythms, 내가 부스 algorythms을 시작하자 " 그래서 당신은 그것을 얻고 당신은 진전을 이루고 있습니다 더 나은 버전을 만들어라 이 과정에서 당신은 당신의 견해를 공유하고 있습니다 당신의 아이디어와 단계에 대해 사람들은 당신이 코드 작성뿐 아니라 역시 통신 할 수있다

실제로 직장에서, 당신은 코딩 만하지 않습니다 당신은 또한 다른 사람들과 의사 소통하고 있습니다 인터뷰는 사람들과 어떻게 일하는 지 보여주는 창입니다 또한 의사 소통에 능숙 함을 보여줌으로써 그것은 그들이 찾고있는 또 다른 것입니다 당신의 아름다운 코드를 찾을뿐만 아니라, 뿐만 아니라 의사 소통 기술 당신의 스타일을 찾고, 너는 구글에 들어갈거야, 너는 좋은 청취자 니? 당신은 새로운 아이디어에 열려 있습니까? 비평을 처리 할 수 ​​있니? 그 모든 것들이 중요한 요소입니다

평가에서 내 생각에 특히, 내 관객과 항상 기술 능력에 대해 생각해보십시오 하지만 네가 면접에 제출했다면 당신은 당신의 성격 때문에 실격 될 가능성이 가장 큽니다 나는 구글에서 실제로 안된다고 말할 것이다 엔지니어를위한 많은 사람들 기술의 절반은 기술 능력입니다 기술적 인 것이 그들이 찾고있는 핵심 요소입니다

그러나 데이터 만이 유일한 것은 아닙니다 다른 사람들과의 커뮤니케이션 또한 중요합니다 그 사람의 절반은 실격 상태입니다 성격 상, 절반은 기술 자격으로 실격된다 대충 맞아

알았어 그거 진짜 좋은 정보 야 그건 균형 잡힌 인터뷰 야 그것은 단지 성격에 관한 것이 아니라, 그것은 단지 기술에 관한 것이 아닙니다 그것은 둘 다에 관한 것이다

명확히 너는 양쪽면을 보여줄 필요가있어 대단해, 고마워! == 이 인터뷰를 즐겼 으면 좋겠어 500 명 이상을 고용 한 Richard와 Google에서 자신의 부서도 운영합니다 당신 부서는 뭐하고 있었 니? 내가 Google에있을 때 나는 몇몇 분야를위한 엔지니어링 엔터프라이즈 검색으로 시작 Google 쇼핑에서 일한 것보다 꽤 큰 조직이다

마지막 프로젝트는 "프로젝트 Fi"였습니다 꽤 놀라운 경험 굉장해! 리처드에게 감사드립니다 리처드와 함께 전체 재생 목록이 나올거야 그래서 당신이 더 많은 비디오를 체크 아웃하고 싶다면 CTO, 데이터 과학자, 기술 분야에서 일하고있다 링크를 클릭하십시오

나는 카드에 넣을거야 오른쪽 상단 구석에

영어원서 꼼꼼하게 읽는 방법 | 열심히 영어공부 | How to read books in English

안녕하세요 여러분 열심히 영어공부의 열심히 입니다 오늘은 제가 영어원서 읽는 방법을 살짝 바꿔 봐가지고 새로운 원서읽기 방법에 대해서 말씀드리려고 해요 제가 지금까지는 영어원서를 어떻게 읽었냐면 한 권을 3일 아니면 4일 안에 다 읽겠다 이런 목표로 속독, 빨리 읽기 방법으로 읽었어요 그렇게 영어원서를 읽은지 지금 2년 반 정도 됐거든요 만약에 모르는 단어가 나오면 거의 안 찾아보거나 아니면, 정말 중요하고 정말 답답하다 이 단어 때문에 줄거리가 이해가 안된다 이렇게 생각이 될 때 찾아보는 방법으로 거의 한 챕터에 모르는 단어를 10개 이하로 찾아가면서 빨리 빨리 영어원서를 읽어왔습니다 근데 제가 최근에 영어원서 읽기에 대한 책을 한 권 읽었어요 제목이 뭐냐면 영포자가 꿈꾸는 영어원서 쉽게 읽기 라는 책입니다 이 책의 저자이신 부경진님은 영어원서를 처음 읽으실 때부터 모르는 단어를 꼼꼼하게 찾아가면서 읽으셨다고 해요 단어카드를 준비하셔 가지고 어려운 단어가 나오면 거기에 단어를 쓰고 뜻도 적고 영어발음도 적고 몇 페이지에서 나왔는지도 적고 그리고 그 문장도 적고 그런 식으로 만드신 단어카드가 지금 이만큼이 있다고 합니다 이 책을 읽고 나니까 지금까지 너무 대충대충 읽었나? 이런 생각이 들어서 한 이틀 동안은 너무 고민이 되더라구요 지금까지 읽은 책을 다 다시 읽어야 되나 이런 생각도 들고 근데 후회해 봤자 이미 지난 세월 어떻게 할 수도 없고 그리고 이거는 제 생각인데 저는 좀 성격이 급한 편이어가지고 그렇게 꼼꼼하게 읽어야 된다고 생각을 했으면 중간에 포기했을 수도 있을 거 같애요 너무 답답해서 저한테는 그렇게 빨리 읽으면서 뭔가 눈에 띄게 읽은 책이 쌓인다는 느낌 그리고 영어문장을 많이 접하는 연습 그게 저한테는 좀 도움이 됐었던거 같애요 근데 이 책을 읽고 나서 이 작가님의 방법과 내 방법을 조금 섞어보자 조금 영어원서 읽는 방법을 바꿔보자 이런 생각이 들어서 제가 이번에 새로 읽은 책부터 그 방법을 적용을 한 번 해봤습니다 바로 이 책인데요 이 책 뉴베리 메달 받은 책이고 추천해 주시는 선생님들이 많으셔서 읽기 시작했는데 내용이 정말 좋아요 인디안 학생이 백인 친구들만 가득한 학교로 전학을 가게 되면서 일어나는 성장소설인데요 되게 유머러스하면서도 슬프고 그러면서도 용기를 주는 그런 책이어서 추천을 해 드릴께요 이 책을 읽으면서 저는 어떻게 읽었냐면 먼저 책을 3등분해서 나눴어요 그건 저의 오랜 습관이기도 하고 하루에 이 정도 읽겠다 이런 목표이기도 하구요 그리고 3분의 1을 다 읽고 나면 와 3분의 1이나 읽었다 이런 목표를 잘게 쪼개는 그래서 성취감을 올리는 저만의 방법이기 때문에 이렇게 3등분을 일단 했구요 그리고 책을 읽으면서 이렇게 작은 메모지를 준비를 했어요 그래서 모르는 단어가 나올 때마다 꼼꼼하게 찾아서 적고 뜻을 찾아서 옆에다 적었어요 문장까지는 적지는 않았구요 대신 책을 읽으면서 외워두고 싶은 문장 그리고 꼭 기억하고 싶은 문장을 만날 때마다 메모지의 뒷편에다가 이렇게 적어뒀습니다 책을 다 읽고 나서는 이렇게 앞에 마스킹 테이프를 이용해서 나중에 뗐다 붙였다 할 수 있게 붙여놨어요 이렇게 꼼꼼하게 읽으니까 좋은 점이 정말 그 문장 하나하나를 정확하게 이해를 하게 되어서 작가가 하고 싶은 말을 더 잘 이해하게 되는 느낌 대충대충 넘기는게 아니고 꼭꼭 씹어서 이해하는 느낌이 들어서 좋았어요 그리고 외워두고 싶은 문장을 적어두는 것도 정말 좋더라구요 이렇게 해보니까 그동안 읽던 책들에서 적어두고 싶은 문장이 있었는데 그냥 넘어간 적이 많았었거든요 한 가지 단점은 저는 책을 누워서도 읽고 소파에 기대서도 읽고 좀 왔다갔다 하면서 읽는 편이었는데 이렇게 모르는 단어를 적어야 되니까 한 자리에서만 읽게 되더라구요 그리고 저는 책을 3-4일에 한 권 읽는 걸 목표로 지금까지 읽어왔는데 이렇게 꼼꼼히 찾아가면서 읽으니까 아무래도 책읽는 시간이 조금 느려졌어요 그래서 이 책은 다른 책에 비해서 많이 두꺼운 책이 아니었는데도 읽는데 한 일주일 정도 걸린거 같애요 당분간은 이렇게 꼼꼼하게 읽는 방식으로 좋은 책을 골라서 읽어보려고 합니다 오늘 이렇게 새로운 원서 읽기 방법에 대해서 말씀드렸는데 어떠셨나요? 여러분은 원서를 읽을 때 어떻게 읽으시나요? 댓글로 남겨주세요 제 영상이 도움이 되셨으면 좋아요 눌러주시고 구독 버튼 누르시고 저랑 꾸준히 영어공부 같이 해보세요 오늘 영상 여기까지 봐주셔서 진심으로 감사드립니다

Google Cloud Vision – How to use Google’s Image Recognition Technology on YouTube Thumbnails

안녕하세요, 유타 SEO 닌자에게 다시 오신 것을 환영합니다 내 이름은 트리스 톤과 이번이 처음이라면, 잊지 마시고 사물을 구독하셔야합니다

나는 너와 얘기하고 싶다 오늘은 Google Cloud 비전입니다 이제는 정말 깔끔한 작은 장난감입니다 이 지난 주 동안에 대해 알아 냈고 YouTube 마케팅 및 비디오 SEO 및 그와 같은 것들에 대한 회의 확인을 위해 미리보기 이미지를 스캔하는 방법에 대해 이야기했습니다 YouTube 또는 Google에서 귀하의 도달 범위를 제한하기 위해 잠재적으로 사용할 수있는 것 귀하의 온라인 콘텐츠 및 몇 가지 다른 흥미로운 생각 이것이 사용될 수있는 방법과 나는 많은 사람들이 검색 할 것이라고 생각한다

이 작업을 수행하는 방법에 대한 자습서를 얻으려는 시도가 있었으므로 앞으로 나아갈 것이라고 생각했습니다 함께 작은 비디오를 보여주고 무엇을해야하고 어떻게해야하는지 보여줍니다 정말 빨리 첫번째 물건을 먼저 가지고 가려고합니다 cloudgoogle

com/vision이 페이지 오른쪽으로 이동하게됩니다 여기를 따라 가면 api와 api로 작업을 시작할 수 있습니다 콘솔과이 모든 것들이 우리 대부분이 생각하는 것 이상입니다 실제로 나는 이것을 얻을 수 없었던 것처럼 관리 할 수있게 될 것입니다 아직 일하면서 내가 버킷에 문제가 있다고 말하면서 그걸로, 내가 너희들에게 알릴 것이다

그러나 만일 당신이 여기 조금 아래로 내려 가면 실제로 API를 테스트 할 수 있으므로 시스템을 테스트 할 필요가 없습니다 다른 미친 백엔드 물건에 들어가서 내가 여기에 몇 가지 그림이있어 테스트하고 여러분에게 보여주고 싶고 다른 것들을 그려 볼 수 있습니다 그러고 나서 우리가 그 일을 마치면 나는 너에게 줄 것을 원해 이 아이디어를 통해 우리의 아이디어와 생각을 YouTube 용 웹 사이트 등 모두에 접근하십시오

그래서 시작하고 시작하겠습니다 우리는 셀카를보고 시작할 것입니다 그래서 우리가 먼저 알아 차릴 것입니다 이것은 실제로 얼굴을 인식 할 수 있고 무엇이 같은지 추측하려고 시도한다는 것입니다 감정이 드러나고 있습니다

그리고 여러분이 볼 수 있듯이 저는이 표현에 대해 충분히 표현하지 않았습니다 레이블을 클릭하면 특정 이미지가 표시되어 개인을 표시합니다 그림의 요소들, 예를 들어 얼굴 머리를 볼 수 있습니다 예 여기 저기에 약간의 모서리가있어 실제로 감지 할 수 있습니다

당신은 그것이 클로즈업이라고 말할 수 있습니다 초상화입니다 조금 목이 찢어졌습니다 나는 눈썹있어 내가 가진 사람의 얼굴이야

큰 이마 그래서 우리는 그 모든 정보를 바로 볼 수 있습니다 우리는 웹에 갈 수 있습니다 이것이 무엇을 할지는 일반적으로 공통적 인 기본 키워드를 보여줄 것입니다 이 특정 이미지 또는 유사한 이미지에 사용되므로 예를 들어 눈썹 사진을 찾을 수 있습니다 아래로 스크롤하면 페이지를 찾을 수 있습니다

이미지가 일치하여 해당 이미지가있는 사이트가 여기에 있습니다 부분적으로 매치 된 이미지는 다음과 같은 그림이 될 것입니다 이것과 비슷한데 나는 내 자매 중 한 명처럼 보이지 않는다 그 형제를 제외한 모든 형제 자매들이 빨간 머리이므로 나는 내 네가 재산에 가면 이름이 내가 아는 어떤 것을 탐지하고있다 당신이 지배적 인 색깔을 좋아하는 것을 보여줍니다

JSON을 착각하지 않으면 이것이 실제로 기차를 좋아하는 용도로 사용됩니다 인공 지능은 나중에 우리가 다른 백에 들어가는 것이 아닙니다 그것에 확실한 백분율 그러나 나는 그것이 그것이 인 것을 위해 꽤 확신한다 안전 검색 정보는 실제로 꽤 재미 있습니다 Google에서 가끔씩 검색을하는 것처럼 익숙합니다

저장된 검색 설정을 해제할지 묻는 콘텐츠를 차단합니다 잠재적으로 성인용 콘텐츠를 알기 위해 해당 설정을 조정하십시오 그래서이 도구가 무엇을 할 것인가? 그들은 또한 그것을보고 시도하고 추측 할 수 있습니다 여기에 잠재적으로 안전한 수색에 해당 할만한 것이 있습니다 예를 들어 필터가 너무 희박하기는하지만 저는 두 가지 포인트가 있습니다

경주는 하나가 아니라 1 ~ 5 점으로 매우 높지는 않습니다 어른이되면 스푸핑 일 수있는 약간의 기회가 있으며 당신이 내가 약간 경미한 YouTuber 인 것을 알기 때문에 그것은 너무나도 멋질 수 있습니다 나는 당신이 팝업이 무엇인지보기를 원한다면 그것을 염두에 두라 이 비디오를하기 위해 무엇을 검색해야 할지를 알아 내야합니다 내 아내와 문제가 생겼어

나는이 이미지와 함께 여기까지 갔다 우리는이 이미지가 화가 났는지 아닌지 알게 될 것입니다 다시 우리는 우리의 다른 레이블을 볼 수 있습니다 그래, 속옷 핑크색 수영복 복부 근육 트렁크 등등의 몇 가지 다른 예가 있습니다 인터넷을 통해 그래서 당신은 부분적으로 일치하는 이미지를 얻고 싶습니다 똑같은 것을 물어보십시오

방금 다시 속성이있는 밈으로 바뀌 었습니다 우리의 원색 비율에 대해 이야기 한 다음 안전한 검색으로 가면 소프트웨어는 여기에 성인용 콘텐츠가 있지만별로 많지 않다는 것을 알 수 있습니다 분명히 모든 것이 덮여 있기 때문에 완전히 필터링해야합니다 그러나 racy가 racy 일 가능성이 높기 때문에 이걸 사용한다면 youtube 미리보기 이미지가 있으면 동영상이 아주 좋은 기회입니다 제한 모드로 설정되어 있으면 도달 범위가 넓어지지 않습니다

내가 생각한 또 다른 예가 정말로 흥미 롭다 네가 그 녀석을 본 후에 나는 여기 강아지의 그림을 끌어와 비키니 입니 다 그러면 우리는이 그림을 빠르게보고 스캔 할 것입니다 그것이 말하는 것은 그것이 매우 진실한 doglike 포유류 다라고 말한다

개는 시베리안 허스키라고도 할 수 있습니다 허스키 썰매 개 허스키 알래스카 개 알래스카 부츠 Canadian Eskimo Dogs 그리고 나서 우리는 할 수있다 또한 그것이 강아지 인 것을 본 다음, 그것이 말한 또 다른 부분이 있습니다 여기 미니어처 시베리아 허스키 스에 간다 75 % 그게 바로이 그림이 무엇인지 그리고 그것이 올바른지 확률 미니어처 시베리안 허스키 우리는 온라인으로 볼 수 있고 이것의 다른 예를 찾을 수있다 그것이 Pinterest에있는 이미지를 참조하십시오 그리고 다른 장소의 전체 잔뜩 여기에 있습니다 검색에 사용되는 키워드는 모두 유용합니다

깨끗하고 썸네일로 사용할 수있는 아주 좋은 그림이 될 수 있습니다 당신의 비디오가 시베리안 허스키 즈에 관한 것이라면, 내가 어떻게 당신이 그것을 보게하고 싶었 을까? 일부는 일했고 밖으로 나가고 놀 수 있었지만 몇 가지가 있습니다 우리가이 큰 것 중 하나에 사용할 수 있다고 생각하는 흥미로운 것들 Google을 볼 때 Google을 살펴볼 때 현장을 바라 보았습니다 YouTube 동영상에서 볼 수있는 관련성 특정 주제 또는 특정 키워드와 관련된 것이 있다면 우리 웹 사이트가 있다면 조금 더 높은 순위에 올거야 최적화 및 해당 웹 사이트는 검색 용어의 순위를 알기에 적절합니다

백 링크가있는 관련 웹 사이트에서 오는 백 링크가있는 경우 더 높습니다 나는 우리가 할 수 있다고 생각하는 당신의 순위에 대해 더 강해지고 더 많은 가치를 가질 것입니다 잠재적으로 이것과 관련이 있습니다 내가 생각하기에이 아이디어는 우리가 웹 사이트 순위를 조금 높이고 싶다면 온라인으로 홍보하고 싶었습니다 조금 더 나은 또는 우리의 YouTube 임대 조금 나는 이미 우리가 선택한 것에 조금 더주의를 기울 였다고 생각한다

우리가 와서 그 이미지를 먼저 스캔해서 그것들은 웹 사이트의 내용과 관련이 있다고 생각합니다 Google이 가고 있다고 생각합니다 저것을 볼 수 있고 나는 그것이 우리가 조금 움직이는 것을 도울 것이라고 생각합니다 조금 더 많이 검색 할 수 있기 때문에 검색에서 조금 더 높습니다 우리가 목표로 삼고있는 검색어와의 관련성 정말로 중요하고 또 다시 우리는 웹에서 여기를 볼 때 우리가 볼 수있는 앵커 텍스트 alt 텍스트를 볼 수있는 부상 키워드 이 이미지와 관련이 있으므로 잠재적으로이 이미지를 이러한 검색어에 대한 참조를 다시 한 번 볼 수 있습니다

재미있는 것은 그들이 일어난 일 중 하나였습니다 컨퍼런스는 소프트웨어가 조금 더 빨라지 자마자 YouTube 동영상에 조금 더 효과적으로 사용할 수 있습니다 뿐만 아니라 동영상의 각 프레임을 스캔하고 당신은 어른 콘텐츠 또는 어쩌면 반드시 그렇지 않은 무언가를 알고 있습니다 동영상의 콘텐츠와 관련이있는 키워드는 귀하가 순위를 매기려고 시도하면 잠재적으로 순위를 높이거나 상하게 할 수 있습니다 거기 또는 당신의 범위 그래서 나는 그것이 정말로 흥미 롭다는 것을 다시 생각했다

당신이 정말로 빨리 들어가서 어떻게 찾을 수 있는지 보여주기 위해서 실제로 사이트의이 부분과 그 밖의 모든 것을 찾기 위해 약간 그걸 가지고 놀아 라 네가 정보를 찾았 으면 좋겠다 만약 당신이 의견을 나에게 알려주지 않았다면 아직 구독 중이므로 다음과 같은 동영상을 더보고 싶습니다 정말로 쉽고 정말 쉽고 적어도 지금은 무료입니다 그래서 그게 나를 위해있을거야 내 이름은 유타에서 Triston이다 SEO Ninja, 좋은 하루 되세요

그리고 다음 비디오에서 너희들을 볼거야 안녕

How to Automate Your Store’s Customer Service with Google AI

상점을 키울 때 브랜드가 많은 기업가 마케팅에만 집중 페이스 북에 초첨을 맞추다 광고 및 전환율 그런 것들

이건 괜찮아 그러나 가장 성공적인 전자 상거래 브랜드에는 고객에 대한 큰 강조 경험 제프 베조스 (Jeff Bezos) 우리가 잘 해낸 이유 우리의 동료 중 마지막 인터넷 공간 우리가 가지고 있기 때문에 6 년 레이저처럼 집중 고객 경험 당신이 할 수있는 방법 중 하나 고객 경험 향상 에서 회신하여 고객과 잠재력 고객은 더 빠릅니다 너가 할 때 이것은 아주 어렵다

필요한 모든 일을 다하라 그것을하기 위해 성공적인 브랜드이므로 비디오 나는 당신에게 어떻게 보여줄 것인가? 당신은의 80 %를 자동화 할 수 있습니다 답장하는 일 고객 질문 페이스 북의 메신저 그럼 왜 페이스 북의 메신저 이미 실행 중입니다

격려하는 페이스 북 광고 고객이 논평하고 메시지 사람들은 이메일 채팅을 선호합니다 페이스 북의 메신저는 가장 큰 채팅 플랫폼 약 1 포인트 30 억 월간 활성 사용자 구독자를 만들 수도 있습니다 시장에 내놓을 수있는 목록 90 %의 오픈 요금이있는 경우 당신은 더 많은 것을 배우고 싶다

그 다른 동영상보기 에 집중할 예정이다 고객 서비스 자동화 메시지를 통해 내가 어떻게 이것이 어떻게 작동하는지 보여 드리겠습니다 제가 가게를 운영하고 있다고 가정 해 봅시다 그 보충제를 판매하는 사람들의 기억력 향상에 도움 고객에게 집중 배송에 대해 질문이있다

타임스 꽤 일반적인 것입니다 몇 시간을 기다리는 대신 그들에게 돌아 가려고 당신이 설정할 수 있습니다 이와 같은 즉각적인 응답 하나 그럼 이걸 살펴 봅시다

응답 여기에 세 부분이 있습니다 기대를 올바르게 설정 이봐, 이봐 우리는 자동 도우미가 아닙니다 인간 인척

이것은 매우 중요하다 사람들이 좋아하지 않기 때문에 그냥 바보 같은 인간과 이야기하기 하지만 괜찮아 즉각적인 응답 그게 어쩌면 습관만큼이나 인간은 분명히 그들에게 주겠지 만 그것은 옳다

지금 당장 대답 해 두번째 그럼 분명히 질문을하고 또한 그것을위한 방이 거기에 없다 정확히 맞아 우리가 그들에게 우리가 얻지 못하는 경우에 대비해 100 % 맞아

그러면 마지막 부분이 링크됩니다 그것과 그것의주는 선택권에 그들이 느끼는 것을 확인하고 들었어 그래서 당신이 알고 있다고 말하면서 도움이되는 예 또는 아니오 친절 그 중 일부는 정말하고있어 우리에게 도움이되는 것들

추적 할 때 가장 중요한 점은 고객이 이해한다고 들었다 그냥주는 것이 아니 었습니다 이것이 답입니다 이제 구매하거나 떠나십시오 그래서 이걸주고 있었기 때문에 우리가 추적 할 수있는 끝에 옵션 응답이 얼마나 좋은지 우리가 목표로하고 싶어서 일하고있어

80 %의 사람들에게 예라고 말하면 도움이되었습니다 또한 얼마나 많은 판매가 결과가되고있다 그래서 우리는 몇 가지 기술적 인 부분을 가지고 있습니다 우리가하는 것들 기본적으로 추적을 추가합니다 누군가의 예를 클릭하고 구매하십시오

그래서 이것은 같은 것을 사용하고 있습니다 자연 언어 처리 Google이 Google에 사용하는 보조원 및 Google 홈 이것은 일단 훈련하면 하나의 질문에 그것을 다른 질문을 이해하십시오 같은 의미이지만 다른 의미 말씨 그래서 그것은 단지 키워드를 좋아하지 않습니다 당신이 들어가서 그게 정확히 맞는거야

이것은 모든 것을 배우는 것입니다 시각 그래서 내가 무언가를 묻는다면 조만간 여기에 올거야 빠른 우표입니다 그것도 이해할 것이다

그리고 처음에는 그것이 보일 것입니다 꽤 바보 그러나 시간이 지남에 따라 그것을 훈련 시키십시오 더 많은 youll는 너 자신 만 발견한다 20 시경에 대답해야한다 고객 질문 비율 당신 자신

이제부터는 교육용 인터페이스 및 방법 당신은 이것을 판매 및 고객 지원 팀 이렇게 나는 여유를 얻는다 슬랙은 꽤 좋았어 많은 유연성을 제공합니다 그래서 어떻게 생겼는지 상상해보십시오

고객이 귀하의 상점 및 자동화 doesnt 너는 단지 너를 말하는 줄 알았어 이해하지 못했고 거기에 뛰어 들어가서 할 수 있어요 해당 고객에게 직접 회신 그러나 당신은 또한 그것을 훈련시킬 수 있습니다 그래서 그것을 훈련시키기 위해서 당신은 단지를 클릭하십시오 몇 단추입니다

새 응답을 추가하거나 기존의 것을 선택하거나 다음에 사용자가 묻는 시간 로봇이 할 질문 알다 그래서 시간이 지남에 따라 더 똑똑하고 똑똑합니다 그래서 나는 방금 진짜 이것에 대한 간단한 개요 더 자세히 알고 싶다면 이걸 설정하는 방법과 점점 더 많은 것을 이거 정말 잘 작동 해 나는 어떤 것을 만들고있을거야

이것에 관한 다른 비디오들 그 동안 당신이 배우고 싶다면 더 이 설정을 받아보십시오 사업 그냥 이메일로 나를 쏴 Duncan 채팅 마케팅 담당자 co

kr 및 우리는 신속하게 설정할 수 있습니다 전화하고 고마워

How to Make a Data Science Project with Kaggle

YUFENG GUO : "Cloud"에피소드 인공 지능 모험, "나는 메간 Risdal을 초대했습니다 쇼에서 나와 함께하기 함께, 우리는 Kaggle에서 우리 자신의 데이트 과학 프로젝트를 요리 할 것입니다

오늘 어떠니, 메간? 메간 리달 : 잘하고 있어요 너의 쇼에 나를 갖게 해줘서 고마워 YUFENG GUO : 굉장합니다 그리고 우리가 가기 전에, 나는 당신이 무엇에 대해서 이야기 할 기회를 갖게 해줄 수 있어요 당신은 Kaggle과 당신의 역할을합니다

메간 리 다르 : 물론 그래서 나는 Kaggle의 데이터 세트의 제품 책임자입니다 이것이 의미하는 것은 제가 엔지니어들과 함께 일한다는 것입니다 우리의 디자이너뿐만 아니라 우리의 커뮤니티 데이터 과학자들이 발견 할 수있는 도구를 만들기 위해, 공유 및 분석 할 수 있습니다 그리고 오늘, 우리가 원하는 것은 Kaggle을위한 것입니다

170 만 데이터에 가장 적합한 장소 과학자들이 데이터 과학을 공유하고 협력한다 프로젝트 YUFENG GUO : 굉장합니다 그리고 오늘, 우리는 함께 일할 것입니다 가장 신선한 재료를 사용하는 것 – 메간 리 다르 : 데이터

YUFENG GUO : 다른 도구를 사용하여 준비하십시오 우리의 맛있는 결과를 만들기 위해 함께 일합니다 이 공용 데이터 세트 및 노트 시원한 분석을 가진 세계와 공유 할 수있다 그것과 함께 갈 것입니다 그래, 그래

맞습니다 오늘 정말 기쁩니다 왜냐하면 우리는 정말로 이것은 공동 프로젝트입니다 그래서 그것이 우리가 일을 끝내는 방법입니다 팀워크

YUFENG GUO : 팀웍 괜찮아 가자 그래서 메간은 이전 에피소드에서 "AI Adventures" 얻는 방법을 보여주는 동영상을 보았습니다 Kaggle 커널로 시작되었습니다

그리고 시작하기 만하면 매우 초보적이었습니다 그것은 굉장합니다, 그것은 자유로운 자원입니다 하지만 그 이후로 몇 가지 새로운 기능이 출시되었습니다 그것은 정말로 Kaggle의 기능을 향상시킵니다 사용되는 커널과 데이터 세트 모두 개인 및 팀을위한 훌륭한 도구입니다

MEGAN RISDAL : 네, 맞습니다 그래서 오늘, Kaggle는 정말로 멋진 장소입니다 R 및 Python을 사용하여 데이터 작업을하는 사람들에게 유용합니다 그들은 정말로 데이터 과학 포트폴리오를 구축하고 있으며, 데이터 분석 작업을 수행하거나 연구를 공유 할 수도 있습니다 데이터 과학을 수행하는 데는 많은 도구가 필요합니다

그리고 Kaggle은 실제로이 원 스톱 상점으로 활동합니다 이러한 모든 도구를 제공하는 데이터로 작업하는 것을 가능하게합니다 개인적으로, 그것을 세계와 공유하는 것 YUFENG GUO : 그리고 그것은 정말로 – 정말 환상적입니다 사실에 대해 좀 더 살펴 보겠습니다

Kaggle 데이터 집합과 커널이 지원할 수 있음 이런 종류의 공동 모델,이 개인 모드, 당신이 원한다면 MEGAN RISDAL : 최근의 몇 가지 기능 개인 데이터 세트를 게시하고 작업 할 수있는 능력 및 커널 커널에 관해서는 기본적으로 클라우드의 랩톱처럼 노트북보다 강력합니다 내가 오늘 여기에서 일하고있다

RAM 16 개, CPU 4 개, 계산 시간 6 시간입니다 그리고 정말 흥미 진진한 것들 중 하나 그것은 도커 컨테이너에 모두 있다는 것입니다 데이터 과학자들이 좋아하는 모든 패키지가 들어 있습니다 사전 설치 따라서이 환경을 한 번 클릭하면됩니다

그리고 마지막으로 더 많은 사용자 정의를 추가하기 시작합니다 그래서 누락 된 패키지가 있다면, GPU를 설치하거나 GPU를 추가 할 수 있습니다 YUFENG GUO : 오우 그래, 그래 YUFENG GUO : 매우 좋습니다

오늘 특정 데이터 세트를 선택했습니다 로스 앤젤레스시의 데이터 주변에서 놀아 라 내가 제대로 이해한다면 MEGAN RISDAL : 네, 맞습니다 그래서 많은 정부와 기관들이 전 세계와 미국에서 열린 데이터를 부분적으로 이용 가능하게 만들고있다

그들의 오픈 데이터 이니셔티브를 그들의 작품은 더욱 투명합니다 그래서 나는 로스 앤젤레스 출신이다 나는 로스 앤젤레스에 살고있다 그리고 나는보기에 관심이 많았습니다 로스 앤젤레스 시가 공개 한 데이터 중 일부는 사용할 수 있습니다

그래서 나는 오픈 데이터 포털을 둘러 보았습니다 이 사람이 내 눈에 들어왔다 왜냐하면 나는 약간의 foodie 좀 재미 있어요 하지만 실제로 환경 보건법 위반입니다

로스 앤젤레스의 레스토랑과 시장에서 YUFENG GUO : 좋습니다 좋아, 들어 가자 네 MEGAN RISDAL : 그래, 내가 한 일 데이터 세트를 다운로드 했습니까? 이제 로컬 컴퓨터에 있습니다

YUFENG GUO : 좋습니다 메간 리 다르 : 그리고 우리가 할 일은 그것을 Kaggle에게 업로드하고 있습니다 이것은 우리 프로젝트의 기초가 될 것입니다 YUFENG GUO : 굉장합니다 그리고 제가 종종 듣는 것들 중 하나는 – 어떤 사람들은 분산되어있는 것에 관심이있다

컴퓨팅 및 방대한 데이터 세트 방금 언급했듯이이 데이터 세트를 다운로드합니다 귀하의 로컬 컴퓨터에 그리고 몇몇 사람들은, 오, 나는 많은 계산과 자원이 필요하다고 말합니다 Kaggle은 유스 케이스를 지원할만큼 강력 할 것인가? 그리고 나는 Kaggle을보고, 당신이 언급 한 활기찬 지역 사회 – 170 만 명이 었나요? 그래, 그래

그게 오늘 우리가있는 곳입니다 YUFENG GUO : 놀랍습니다 사용 사례가 너무 많음을 분명히 보여줍니다 그 밖의 거대한 대규모 데이터 세트를 넘어서 당신이 도망 갈 수있는 상황이 있습니다

아주 먼 곳으로 데려다 줄 수있는 강력한 기계가 하나 있습니다 MEGAN RISDAL : 네, 맞습니다 그래, 우리는 사람들이 수천을 업로드하고있다 한 달에 걸친 데이터 세트 수 YUFENG GUO : 예, 와우 좋아 이제 네 랩탑으로 가자 우리가 그 일을 어떻게 진행하는지보십시오

Kaggle에서 어떻게 새로운 데이터 세트를 만들 수 있습니까? 메간 리 다르 : 물론 그래서 우리는 Kaggle 's의 데이터 세트 페이지에서 시작하려고합니다 웹 사이트 그래서 이것이 어떻게 생겼는지입니다 그리고 기본적으로 이것은 여러분이 가지고있는 곳입니다

공개적으로 공개 된 모든 데이터 세트에 대한 액세스 Kaggle에 게시 됨 그리고 우리는 오늘 우리 자신의 것을 추가 할 것입니다 그래서 저는 새로운 데이터 세트를 클릭 할 것입니다 그리고 여기에서, 그것은 단지 문제입니다 파일 끌어서 놓기 내가 업로드하도록 선택한 그리고 이것들은 Los의 레스토랑과 시장에 대한 검사입니다

앤젤레스와 위반 그리고 나서 약간의 메타 데이터를 추가해야합니다 데이터 세트가 시작되도록합니다 그래서 저는 여기서 필요한 모든 정보를 얻을 것입니다 그래서 우리는 비공개로 유지할 것입니다

왜냐하면 우리가 이야기 한 것처럼 잘 문서화되도록 데이터 세트를 준비하고 싶습니다 그리고 나서 우리도 놀 것입니다 데이터를 조금씩 사용하여 커널을 작성하십시오 공개적으로 공유하기 전에 YUFENG GUO : 네, 대단합니다 그리고 그것은 분명히 얻지 못하는 것입니다

데이터 집합에 대한 문서가 많이 나와 있습니다 MEGAN RISDAL : 네, 맞습니다 YUFENG GUO : 코드의 문서 매우 잘 이해되고 있으며, 사람들은 그 집을 망치고 있습니다 그러나 데이터 세트에 대한 문서는 새로운 개념입니다 MEGAN RISDAL : 맞아

예, 실제로 데이터에 액세스 할 수있게하는 것입니다 데이터 파일 자체를 기계로 읽을 수있게 만드는 것만이 아닙니다 CSV 포맷이 잘되어 있습니다 또한 일하는 데 관심이있는 사람을 도왔습니다 이 데이터는 실제로 그것을 이해합니다

이제 Create Dataset을 클릭하기 만하면됩니다 YUFENG GUO : 환상적입니다 괜찮아 그리고 귀하의 개인 데이터 세트가 성공적으로 생성되었습니다 메간 리달 : 예

YUFENG GUO : 우우 MEGAN RISDAL : 멋지다 이제 개인 데이터 집합이 업로드되었습니다 그리고 그것이 여기에 우리에게 알려주 듯이, 이제 우리는 이미 데이터 세트를 분석하기 시작한 것에서부터 무엇이든 할 수 있습니다 공동 작업자 추가에 이르기까지 그 두 가지를 할 것입니다

YUFENG GUO : 환상적입니다 MEGAN RISDAL : 확인을 클릭합니다 그리고 그것은 우리를 우리의 데이터 세트로 데려 갈 것입니다 YUFENG GUO : 좋아 보인다 그래, 그래

YUFENG GUO : 그건 진짜 같은 것입니다 MEGAN RISDAL : 네, 맞습니다 그래서 우리가 사람들이 창조 할 때하고 싶은 일 개인 데이터 집합을 사용하면 자신이 쉽게 만들 수 있습니다 그런 다음 해당 데이터 세트를 공개하고 공유하십시오 커뮤니티와 그래서 우리는이 품질 체크리스트를 제공합니다

사람들이 기본적으로 데이터 세트를 문서화하는 데 도움이됩니다 그들이 그것을 나눌 때 성공하도록 돕습니다 그래서 우리는 빨리 갈 것입니다 이 품질 체크리스트를 통해 그래서 첫 번째는 설명을 제공합니다 그리고 이것은 단지 마크 다운 파일이므로 여기에 저장했습니다

YUFENG GUO : 좋습니다 네 그게 정말 멋지다는거야 어떤 종류의 것들에 대한 지침 데이터 세트를 멋지게 만들기 위해 추가 할 수 있습니다 MEGAN RISDAL : 네, 맞습니다

YUFENG GUO : 좋은 경험을하십시오 그래, 그래 그래서 저는 이해와 같은 것들을 생각합니다 데이터의 맥락과 흥미로운 이유 왜 그것을 공유하는지가 중요합니다 더 자세한 정보를 제공 할뿐 아니라 해당 데이터 세트의 내용에 대해 그래서 그것이 우리가 여기에서 한 것입니다

그리고 영감도 – 그래서 몇 가지 질문을하면 데이터를 사용하여 대답 할 수 있습니다 YUFENG GUO : 네 거기서 다른 데이터 세트를 보았습니다 이제 나는 왜 [부적절한], 거기에 어떤 지침이 있음을 안다 MEGAN RISDAL : 맞습니다

네 그럼이 페이지의 다음 일은 우리는 몇 개의 태그를 추가 할 것입니다 일단 데이터 세트가 검색되면 데이터 세트를 더 쉽게 찾을 수 있습니다 공개적으로 공유 할 준비가되었습니다 그래서 우리는 공중 보건과 음식과 음료를 할 것입니다

YUFENG GUO : 합리적인 것 같습니다 MEGAN RISDAL : 합리적인 것 같습니다 그러면 자막과 배너 이미지를 추가 할 것입니다 그리고 이것은 페인트의 마지막 외투를 추가하는 것입니다 잘 보이게하고 사람들이 이해하도록 돕기 위해 데이터 세트에 관한 것입니다

YUFENG GUO : 예 – 약간의 재능 MEGAN RISDAL : 네, 맞습니다 YUFENG GUO : 좋습니다 MEGAN RISDAL : 그럼 우리가 그걸 살릴거야 YUFENG GUO : 그리고 우리는 그들이이 이미지를 대체하기를 원합니까? 그래, 그래

이것이 데이터 집합 목록에서 Google이 볼 수있는 것입니다 그리고 당신은 그 표지에 의해 데이터 세트를 판단하지 않아도됩니다 그러나 그것이 화려한 이미지를 가지고 있다면 – 오직 도움이 될 수 있습니다 YUFENG GUO : 예 나는 항상 얇게 썬 양파의 이미지가있는 데이터 세트를 선택합니다

그렇지 않은 사람 MEGAN RISDAL : 맞습니다 맛있어 보인다 그리고 마지막으로, 가장 중요한 부분 나는 당신을이 데이터 세트의 공동 작업자로 추가 할 예정입니다 YUFENG GUO : 그래서 지금 나는 그것을 보게된다? 그래, 그래

YUFENG GUO : 좋습니다 그래서 결국 – MEGAN RISDAL : 당신이 계십니다 편집 권한을 부여합니다 YUFENG GUO : 감사합니다 Megan Risdal이 데이터 집합을 편집하도록 초대했습니다

큰 그리고 Kaggle에서보기를 클릭 할 수 있습니까? 그래, 그래 YUFENG GUO : 그리고 그 모습을 보자 굉장해 그래서 이것은 당신 편에서 본 것과 기본적으로 같습니다

MEGAN RISDAL : 네, 맞습니다 시원한 그래서 우리는 우리의 데이터를 업로드하고 문서화했으며, 너와 그걸 나눠 봤어 우리가 사람들에게하도록 권하는 것들 중 하나 코드를 통해 데이터 세트를 문서화하는 것입니다 그래서 내가 말하는 것은 출판입니다

데이터 세트의 커널은 사용자에게 시연 할 수있는 한 가지 방법이며, 지역 사회의 다른 사람들, 그들은 당신의 데이터로 할 수 있습니다 그래서 우리는 누군가를 커널에 보여주고 싶을 것입니다 데이터를 읽는 방법, 일부 데이터를 읽을 수있는 방법 데이터를 사용하여 시각화 할 수있는 질문, 질문 그것을 사용하여 답변을 얻을 수 있습니다 YUFENG GUO : 네 요즘 Kaggle에서 데이터 세트를 볼 때, 그들 모두는이 탐험 수첩을 가지고있다

환상적인 시각화를 사용하면 정말 좋습니다 그래, 그래 예 바로 그 거예요 새로운 데이터 세트 작업을 시작할 때, 보통, 당신이 지역에서 일할 때, 커서가 깜박이기 시작합니다 당신에게 보여주는 코드가 없습니다

데이터를 읽는 방법과 데이터로 작업하는 방법 그래서 우리가하려고하는 것은, 데이터 세트를 추가로 문서화 할 것입니다 커널을 게시하여 YUFENG GUO : 환상적입니다 메간 리 다르 : 시작합시다 이 빅 블루 버튼을 클릭하기 만하면됩니다

우리가 부르는대로 – 새로운 커널 YUFENG GUO : 예 MEGAN RISDAL : 여기서는 스크립트 사이에서 선택할 수 있습니다 및 노트북 내가 좋아하기 때문에 나는 노트북과 함께 갈거야

인터리빙 마크 다운 및 코드 그리고 나서 이것이 시작되는 동안, 나는 할 수있다 내가 접근 할 수있는 데이터를 가지고 있는지 보아라 여기 내 환경에서 내 손가락 끝에 YUFENG GUO : 좋습니다

MEGAN RISDAL : 저는 언어를 바꿀 것입니다 R 저는 Stats 사람입니다 맞습니다 YUFENG GUO : 좋습니다

MEGAN RISDAL : 멋지다 내가 한 일은 내가 바람을 피웠다는 것입니다 이미 코드를 준비했습니다 내가 사용할거야 그래서 저는 여기서 그것을 빨리 업로드 할 것입니다

그리고 나서 내가 너를 걸을거야 데이터 세트를 분석하기 위해 수행되었습니다 YUFENG GUO : 좋습니다 메간 리 다르 : 그래서 첫 번째 셀에서, 검사 CSV 파일과 위반 CSV 파일이 있습니다 그래서 나는 그 사람들을 읽고 그것에 참여할 것입니다

함께 일련 번호를 기입 한 다음 결과 데이터 프레임을 엿볼 수 있습니다 YUFENG GUO : 좋습니다 메간 리 다르 : 그렇게되면, 우리는 거의 900,000 개의 레코드를 가지고 있음을 알 수 있습니다 우리가보고있는 것 그래서 이들은 모두 건강법 위반입니다

약 2 년간의 데이터 YUFENG GUO : 좋습니다 2 년 동안은 그렇게 많이 남아 있습니다 MEGAN RISDAL : 그래, 그게 그 것처럼 보인다 그래서 우리는 그 모습을 파헤칩니다 이제 데이터 세트를 준비 했으니 까 내가 원하는 모양으로, 위반의 수를 봅니다 월별로보고 됨

YUFENG GUO : 맞습니다 이것은 큰 것입니다 그래, 맞아 괜찮아 YUFENG GUO : 좋습니다

MEGAN RISDAL : 그래서 당신은 그것이 얼마나 빠르고 빠르는지 알 수 있습니다 그리고 우리는이 시각화를 가지고 있습니다 우리 앞에서 그래서 그것은 많은 건강법 위반입니다 YUFENG GUO : 네

그것은 온통 여기에 있습니다 어떻게 생겼는지 바는 무엇입니까? 30,000? MEGAN RISDAL : 네, 맞습니다

YUFENG GUO : 한 달 안에? 메간 리 다르 : 네 네 YUFENG GUO : 그것은 두더지입니다 메간 리달 : 네 자, 계절 추세가 있는지 살펴 봅시다

또한 위반 사항에 대한 정보도 있습니다 일련 번호마다 그래서 우리는 그것을 살펴볼 것입니다 그리고 우리는 상위 10 개를 살펴볼 것입니다 위반 사항이 있으므로이 코드가 여기에서 수행 될 것입니다

YUFENG GUO : 우리는 그것을 실행하고 우리는 다음과 같이 갈 것입니다 – 와우, 아주 좋은 색상의 코딩이 여기 있습니다 저 더 어두운 사람이 더 많거나 더 가벼운 사람은 더? 메간 리 다르 : 라이터가 더 밝습니다 YUFENG GUO : 좋습니다 그래, 그래 네, 여기 이걸 볼 수 있어요

바닥, 벽, 천장은 제대로 건축되고, 유지되고, 잘 수리되고, 깨끗하게 YUFENG GUO : 좋습니다 그래, 그래 YUFENG GUO : 항상 유감스럽게 생각합니다 귀하의 시설이 잘 수리되고 있는지 확인하십시오

MEGAN RISDAL : 네, 맞습니다 그리고 마침내, 나는 단지 저장하려고합니다 나중에 염두에 두어야 할 또 다른 프로젝트는 우편 번호로 위반 사항을보고 싶습니다 그래서 우리는 각 시설에 대한 정보도 얻었습니다 그들의 주소는이다

그래서 우리는 그곳에 우편 번호와 표정에 의한 위반이 더 많다 지형 공간 분석에서 하지만 나중에 조금하고 싶습니다 CSV를 파일로 작성하려고합니다 그리고 나는 그것을 다른 커널에서 사용할 수있을 것이다

YUFENG GUO : 맞습니다 그리고 당신은 상상할 수 있습니다 나는이 새로운 산출물에 대해서 생각하려고 노력하고있다 당신이 만든 것, 당신은 어떤 종류의 매핑을 만들 수 있습니다 그것으로

멋진 색으로 구분 된 히트 맵 중 하나를 수행 할 수 있습니다 MEGAN RISDAL : 네, 그렇습니다 YUFENG GUO : 우리는 이런 종류의 히트 맵을 가지고 있습니다 유형별로 위반 사항을 보여 주지만, MEGAN RISDAL : 그래, choropleth지도 지형 공간처럼 – YUFENG GUO : 혀 트위스터가 있습니다 메간 리 다르 : 예, 전성기

네, 정확히 말하면, 지금, 어떻게이 데이터 세트를 엿볼 수 있을까요? 이미 새로운 질문에 영감을 불어 넣었습니다 이것이 바로 사용자를 위해 우리가하고 싶은 일입니다 그래서 나는 내 노트에 제목을 부여 할 것입니다 YUFENG GUO : 예, 항상 제목이있는 것이 좋습니다 그래, 그래

그런 다음 커밋하고 실행합니다 YUFENG GUO : 좋습니다 그러니 그걸 치자 그게 실행되는 동안, 당신을위한 질문 – 너라면 노트북을 구할 수 없어? 커밋 및 실행을 클릭하지 않았습니까? 클릭하기 전에 해당 탭을 닫으려면, 그 모든 코드에 무슨 일이 일어날 것인가? MEGAN RISDAL : 초안을 저장하고 있습니다 하지만 코드를 저장하려면 나중에 다시 돌아와 다른 사람들과 공유하십시오

당신은 Commit and Run을 치고 싶다 그리고 그것은 코드를 위에서 실행합니다 바닥에 YUFENG GUO : 맞습니다 완전한

한 번 끝나면 다음 단계는 무엇입니까? 우리 계획은 여기서 뭐지? 왜냐하면 지금 당장 우리는 비공개이지만 우리 사이에 공유되는 데이터 세트가 있어야합니다 우리는 여전히이 커널을 가지고 있다고 생각합니다 너에게 개인적으로, 맞지? MEGAN RISDAL : 그래, 일단 이것이 끝나면, 계속해서 스냅 샷보기를 클릭하겠습니다 그리고 이것은 우리를 노트북 뷰어로 데려 갈 것입니다 그리고 여기에서, 이것은 내가 세상과 나눌 것입니다

그리고 이것은 누군가가 데이터 세트를 보는 것입니다 찾을 수 있습니다 그래서 나는 앞으로 나아갈 것이고, 다시 당신과 이것을 나눌 것입니다 당신이 우리의 모든 일이 공개 될 준비가되었습니다 YUFENG GUO : 맞습니다

예, 팀 환경에서, 당신은 근본적으로 일종의 코드 리뷰를하기 위해 이것을 할 수있다 대본 그래, 맞아 YUFENG GUO : 좋습니다 그러니 일단 끝내면 내 노트북에서 이쪽으로 갈 수 있습니다

데이터 세트에서 커널을 클릭하고 이동합니다 당신의 일에, 나는이 경우에 당신의 일이라고 생각합니다 MEGAN RISDAL : 맞아 YUFENG GUO : 여기 노트북을 열어 드리겠습니다 그리고 여러분은 그것이 잘로드되어 있음을 볼 수 있습니다

그리고 노트북을 편집하거나 포크 할 수있는 옵션이 있습니다 그래, 그래 그럼 어째서 그 일을 포기 하렴 모든 것이 예상대로 실행되는지 확인하십시오 그리고 모든 것을 컴파일 할 수 있습니다

YUFENG GUO : 내가 그것을 포크로 할 때, 그런 다음 GitHub에서 저장소를 포크 할 때와 비슷합니다 MEGAN RISDAL : 맞아 YUFENG GUO : – 당신은 당신 자신의 복사본을 만들 수 있습니까? 자, 이건 내거야? 그래, 그래 이것은 코드뿐만 아니라 코드의 사본이기도합니다 내가 사용한 데이터와 내가 사용한 환경

YUFENG GUO : OK, 잡았다 그리고 지금은 아무 것도 당신 편에 변화를줍니다 내 사본에 영향을 미치지 않습니다 MEGAN RISDAL : 맞습니다 YUFENG GUO : 좋습니다

자, 이제 실행하고있어 다른 커널을 생성한다 이름을 변경해야합니까? 내가 그대로두면 거기에 이름 충돌이있을거야? 메간 리 다르 : 당신은 그것을 바꿀 필요가 없습니다 그래서 사용되는 민달팽이는 사용자 이름이고, 노트북 제목의 슬러그 YUFENG GUO : 잡았다

그래서 나는 그것을 바꿀 수 있었지만 그렇게 할 필요는 없다 MEGAN RISDAL : 맞아 YUFENG GUO : 자, 제가 다시 가면 오, 우리는 그것이 그것을하는 것을 볼 수 있습니다 내 포크를 다른 사람들과 공유하십시오 MEGAN RISDAL : 네, 맞습니다 YUFENG GUO : 우리는 우리의 데이터를 볼 수 있습니다 제가 지금 다시 클릭하면, 이것은 – 일단 끝나면 그냥 나타납니다? 메간 리 다르 : 그렇습니다

YUFENG GUO : 그리고 거기에 있습니다 괜찮아 메간 리달 : 굉장해 그래서 당신은 어떻게 생각하십니까? YUFENG GUO : 꽤 좋은, 꽤 좋다 나는이 사실을 현실로 공개 할 때라고 생각한다

메간 리달 : 예, 공개하겠습니다 YUFENG GUO : 좋습니다 MEGAN RISDAL : 멋지다 그래서 데이터 세트로 돌아가겠습니다 그리고 Settings (설정), Sharing (공유)으로 이동하여 준비가되었다고 생각하면, 공개로 만들기를 클릭 할 수 있습니다

YUFENG GUO : 좋아,하자 따라서 이것은 영구 공개됩니다 MEGAN RISDAL : 맞습니다 YUFENG GUO : 좋습니다 그것은 당신이 여기에 들어가는 것을 아는 것이 항상 좋은 것입니다

좋은 메간 리 다르 : 그리고 여기에 우리가 간다 그리고 나서 다음 단계는 물론입니다 커널을 공개하길 원한다 YUFENG GUO : 오, 맞아

커널 자체가 데이터 세트와 분리되어 있기 때문에, 그래서이 두 개념은 구별됩니다 MEGAN RISDAL : 맞습니다 YUFENG GUO : 그래서 이런 상황에서, 네가 물건을 썼던 곳 일 수도 있고, 그리고 당신은 당신의 것을 공개합니다 그런데 나는 그것을 포크로 찍는다 그리고 그것은 사적이다

그리고 나는 너 또는 다른 사람들과 개인적으로 그것을 확장 할 수있다 그리고 아마도 다른 버전을 출시 할 것입니다 몇 가지 다른 분석과 함께 MEGAN RISDAL : 맞아 예 바로 그 거예요

따라서 유연성은 귀하에게 달려 있습니다 YUFENG GUO : 굉장합니다 MEGAN RISDAL : 데이터 측면이 공개됩니다 그리고 데이터 과학자 커뮤니티의 모든 사람 음식점 검사에 대해 더 많은 것을 탐색 할 수 있습니다 로스 앤젤레스 카운티의 위반

YUFENG GUO : 맞습니다 맞습니다 현재 축소 된 내용을 살펴보면, 그것은 아주 조금입니다 그리고 도구는 모두이 패키지에 들어 있습니다 정말 멋지고 완벽한 플랫폼입니다

나는 정말 즐거웠다 그리고 우리는 당신 편에서 노트북과 데이터 세트를 만들었습니다 우리는 개인적으로 공개적으로 공유 할 수있었습니다 그리고 우린 물건에 빠지지도 않았어 댓글 달기 시스템 및 토론 포럼과 같은 그리고 Kaggle에게는 훨씬 더 많은 것이 있습니다

그러나 공동 작업과 공유 환경조차도 너무 부자 야 그래, 그래 그래서 처음부터 끝까지 프로젝트를 만들었습니다 로컬 컴퓨터에서 데이터 파일을 가져 왔습니다 이 재현 가능하고 문서화 된 데이터 세트에 세상과 공개적으로 공유됩니다

그리고 어떻게하면 누군가가 학교 프로젝트에 이것을 할 수있다 또는 연구 공유 방법 YUFENG GUO : 당연히 네 그래서이 노트는 정말로 공개됩니다

그래서이 비디오를보고 있다면, 당신은 지금 Kaggle에 가서이 데이터 세트에 접근 할 수 있습니다 설명에 노트북에 대한 링크가 포함됩니다 동영상 아래에서 공유하고 공유하면됩니다 노트북, 데이터 세트를보고 댓글을 달 수 있으며, 자신의 노트를 포크로 만들고 편집하십시오 오늘 Megan과 함께 해줘서 고마워

이 Kaggle 커널을 조합하는 것은 정말 재미있었습니다 우리는이 데이터 세트를 만들어 전세계에 공개합니다 이 비디오가 마음에 들면 좋아요 버튼을 누르십시오 아래에서 아래로 클릭하고 구독하기를 클릭하십시오 "Cloud AI Adventures"의 모든 에피소드 그들이 나오면 바로

당분간, 나와 메간은 돌아갈거야 이 커널 작업 그러나 이번에는 아마 설득 할 수 있습니다 그녀는 파이썬에서 그것을 할 수 있습니다 메간 리 다르 : 우리는 그것에 대해 알게 될 것입니다

YUFENG GUO : 좋습니다

Cloud OnAir: How AI Enables Enterprise Digital Transformation With Deeper Customer Insights

[음악 재생] MANJU DEVADAS : Cloud OnAir에 오신 것을 환영합니다 Google Cloud에서 웹 세미나를 생방송하십시오

매주 화요일마다 웨비나를 개최합니다 내 이름은 Manju Devadas이고, 오늘은 AI가 엔터프라이즈를 가능하게하는 방법에 대해 시스코와 이야기하고 있어야합니다 디지털 변환, 더 깊은 고객 통찰력 플랫폼에서 언제든지 질문 할 수 있습니다 Google 직원이 대기 상태가되면 답변을 얻을 수 있습니다

시작하자 그래서 곧 저는 공동 연설자 Sanjiv의 일부를 소개 할 것입니다 파텔과 빅크 람, 그리고 함께 AI가 기업을 가능하게하는 방법에 대해 이야기 할 것입니다 디지털 전환 및 깊은 고객 통찰력으로 그 전에, 내가 너에게 조금 줄게 자신에 대한 배경 지식

나는 Manju Devadas입니다 저는 예측 분석 분야에서 17 년간 근무했습니다 기술이 발전함에 따라 계산 및 메모리가 늘어남에 따라 더 싼, 지금 사용되는 기술의 힘 분석 및 의사 결정에서 이제는 변환을 바꾸기 시작했다 이제는 기업을 변화시키기 시작했습니다 지금 분류 된 방식으로 제 4의 산업 혁명으로

하지만 나와 공동 연사는 충분한 통찰력을 줄 수 있도록 노력하십시오 왜 업계가 그렇게 보는지 알 수 있습니다 일부 실제 기업 사례를 통해 그래서 Pluto7에 대한 간단한 소개 Google은 Google이 선호하는 파트너입니다 기계 학습 및 인공 지능 전문 기술에 관해서

그것은 단지 기술에 관한 것이 아닙니다 또한 사업을 이해하고 변화시키는 사업을 추진하고 있습니다 이것이 소매 공급의 변화입니다 체인 및 제조 그것이 Google과 Pluto7 간의 합작 파트너십 많은 고객을 돕고 있습니다

기계 학습과 AI에 들어가기 전에, 나는 많은 사람들이 독서를하고 있다고 확신한다 기계 학습과 인공 지능, 그것이 잡지 이건, 텔레비전, 등등 이제 Google의 플랫폼에서 Google과 이야기하고 있습니다 Google이하는 모든 일은 기계 학습과 AI입니다 Gmail, YouTube, 사진 등이 될 수 있습니다

자, 그게 무슨 뜻이야? 엔터프라이즈 컨텍스트에서 적용 할 수 있습니까? 조금 더 간단하게하려고합시다 그래서 간단한 의사 결정을 보면 인간의 두뇌에서 발생하면, 그것은 정말로 세 가지 간단한 일입니다 그건 일어난다 정보를 수집합니다 귀하는 정보를 처리합니다

당신은 판단합니다 당신이 날씨에 대한 판단을 내리는 방식, 나날 무엇인지, 무엇을 입고 있어야하는지, 프로세스 관점과 다르지 않습니다 기업에서 어떻게 결정을 내릴지 기억하세요, 그것은 같은 인간입니다 집에서 어떤 결정을 내리고 어떤 결정을 내릴지 당신이 이야기하든, 기업에서 만드십시오 두뇌를 모방하는 맥락에서 의사 결정 과정은 매우 유사합니다

맞습니까? 이제 AI와 기계 학습은 실제로 의사 결정 과정을 모방합니다 자, 인간에 관해서는, 우리는 생물입니다 그래서 우리는 한계점이 있습니다 우리가 결정, 객관성 및 기간에 대해 어떻게 생각하는지 우리가 사업이나 경력에서 경험을 쌓을 때, 우리는 편견을 짓는다 계획, 예측, 공급 계획, 고객의 경험을 알고 있습니다

우리는 우리의 신념을 구축합니다 좋은 시장이 뭐야? 좋은 시장이 뭐지? 수익성이 있거나 그렇지 않은 제품은 무엇입니까? 그리고 우리에게는 우리의 개인적인 편견이 있습니다 업계에서 많은 고객과 함께 일한 경험 – 우리가 곧 듣게 될 시스코를 포함하여 – 회사로서 GE, Apple, 목표, 그리고 많은 것, 더 많은 것 내 경력에서 약 30 개 회사 [INAUDIBLE] 비즈니스 변화를 도왔습니다 특히 예측 정확도 주변에서, 나는 예측 정확도의 30 %를 발견했습니다

어떤 산업에서는 꽤 흔합니다 그리고 당신이 그것에 대해 생각한다면 – 그리고 제가 왜 그 이유를 실제로 볼 때 일어난다 그것은 인간 편견과 관련이 있습니다 그리고 지금, 당신이보기 시작하려고 할 때 기계 학습 및 AI 관점에서와 마찬가지로, 우리는 여전히 동일한 시계열 모델링에 대해 이야기하고 있습니다 그리고 그걸로 당신이 당신의 결정을 내리는 방법, 어떻게 당신은 날씨가 정확히 어떤 정확성이 될지 계획합니다

수준, 동일한 방법론 또는 접근법 사업 결정을 내릴 때 당신이 취하는 바입니다 그들이 일반적으로 시계열 결정을 내리는 경우 회귀 분석으로 이해, 당신은 그 결정을 당신이 얼마나 많은지에 적용하고 있습니다 판매 할 고객, 어떤 고객이 상호 작용하는지 귀하의 웹 사이트에서 귀하와 함께, 등등 구매 성향, 이런 종류의 결정 이제 데이터를 가져 와서 자신의 이데올로기, 신념, 감정, 논리로 결론에 도달했습니다

그러나 기계 학습과 인공 지능에 관해서는, 우리는 그 편견을 멀리하려고 노력합니다 데이터가 가끔씩 있기 때문에 편향이 여전히 중요한 역할을합니다 그들에 편견이 내재되어있다 그러나 기계 학습과 인공 지능으로 여기서 무엇을하는지, 우리는 기업이 점점 더 많은 결정을 내릴 수 있도록 돕습니다 객관적인 데이터 패턴 분석을 통해 그것이 기계 학습 및 인공 지능의 힘입니다

자, 제 경험상, 저는 일했습니다 공장 자동화를 원하는 다양한 고객들과 함께 그들은 인간의 교통 흐름과 [비 숙련 된] 의료 기기 및 의료 기기, 인간 의학 분석 등등 우리가 팔고있는이 다양한 산업 분야에서, 공통점 중 하나는 데이터 사일로와 복잡성입니다 의사 결정과 의사 결정의 볼륨 이것들은 꽤 공통된 주제입니다

그리고 이것을 더 큰 것으로 보았을 때 당신이 얻은 기업, 많은 사람들 때때로 이러한 데이터 사일로를 관련시킬 수 있습니다 의사 결정에 자체적 인 도전 과제를 창출하십시오 그리고 당신이 그것을 대규모로 할 때, 이제 우리는 조직을 다르게 구성해야합니다 사람들이 그들 사이에서 어떻게 다르게 상호 작용하는지 등등 현재 세상에서 우리가 볼 때이 모든 것 – 나는 많은 소매 회사들을 다루고 있습니다

결론을 내릴 때 KPI를보고 무엇이 사업에서 실제로 일어나고 있습니다 예측, 액세스 또는 공급 부족 여부와 상관없이, 진짜로 데이터가 많아도 고객을 충분히 이해하지 못합니다

우리는 전자 상거래, 디지털 상거래, Amazon, Walmartcom, Flipkart, 또는 Baidu 및 많은, 더 많은 것 전세계에 실시간 알기에 대해 이야기하고 있습니다 고객, 실시간 분석, 실시간 정서 분석 너는 똑같은 습득과 적용을한다 엔터프라이즈 컨텍스트에서 다음과 같은 힘을 갖게됩니다

Google Cloud Platform에서 학습 및 인공 지능을 기계화하는 데 있습니다 저는 많은 C- 레벨 임원 워크샵과 프리젠 테이션을 진행합니다 사업을 혁신 할 수 있도록 지원합니다 우리가 묻는 몇 가지 일반적인 질문 안녕하세요, 기계 학습과 인공 지능에 대해 들었습니다 하지만 그것을 사용하여 이해하거나 참여시키는 방법은 무엇입니까? 내 고객이 더 좋아? 그 뒤에있는 마법은 무엇입니까? 효율성이 향상되는 데 정말로 도움이됩니까? 그래서 그들의 마음에는 많은 질문이 있습니다

이 패러다임 전환에 관한 내용입니다 물론 인간이 의사 결정을 내릴 수있게한다면, 인간은 많은 소프트웨어를 사용합니다 하지만 정확도가 60 % ~ 80 %라고 입증되었을 수 있습니다 이제 KPI를 이동하는 방법을 살펴보고, 귀하의 판매 실적 또는 마케팅 여부 성능 또는 공급망 성능 가능한 상상할 수없는 정확성을 얻으 려합니다 때로는 고객 사이트에 들어서서 말할 때도 있습니다

우리는 모든 종류의 소프트웨어를 보유하고 있습니다 기계 학습 및 인공 지능과 실제로 큰 차이점은 무엇입니까? 비유하자면, 내가이 사람에게 왼쪽에 물어 보면 2,000 개의 벽돌을 들고 그 건물로 올라 가야한다 1 시간 만에 넣으면 그는 말합니다, 당신은 미쳤습니다 나는 그것을 수행 할 수 없을거야 그러나 크레인을 사용하면 큰 문제는 아니라고 생각합니다

의사 결정에 있어서는, 기업에서의 단순한 의사 결정 – 처리 인보이스가 될 수도 있고 주변에있을 수도 있습니다 이메일 캠페인을 실행할 고객 결정 – 당신이 전통적인 방법으로 그것을 할 때, 당신은 왼쪽 한계에 부딪 칠 것입니다 이제는 오른쪽에 규모에 대해 생각할 필요가 있습니다 내가 10,000 개의 벽돌을 말하더라도 그것은 중요하지 않습니다 에서와 마찬가지로, 그것은 당신이 얻는 힘입니다

그것은 패러다임 전환입니다 이제 다시 한 번 유추 할 수 있습니다 그러나 기업에 있어서는, 이 기계 학습이 어떻게 임베디드되는지에 대해 생각해야합니다 처음에는 간단한 작업을하는 여러 부분에서 인간이 신뢰하고 상호 작용하며 의존 할 수 있도록, 업 셀링, 크로스 셀링에 대한 권장 사항인지 여부 특정 고객 집단에 초점을 맞출 것을 권장합니다 그것을 비즈니스의 일부로 만들어야합니다

우리가 고객 사이트에 들어갈 때, 때로는 혁신과 기계 학습이 함께 진행됩니다 고객이 묻습니다 이봐, 내가 어떻게 할 수 있을까? 기계 학습과 인공 지능을 사용합니까? 시나리오가 완료되면 시나리오를 실행했습니다 우리는 맥주의 맛을 향상시킵니다 [INAUDIBLE] 가장 큰 맥주 제조사 중 하나 세상에

이제 마술처럼 들립니다 그러나 그 뒤에있는 이야기를 보면, 엄청난 양의 데이터를 처리하고 있습니다 데이터 크 런칭, 패턴 분석 및 분석 마찬가지로 예측 정확도를 20 % 상회하면 마술처럼 보입니다 [믿을 수없는] 믿기 어렵지만 한 번 클릭하고 표시하면 어떻게하는지, 이제는 당신이 정말로 기계 학습의 여정을 시작했다

AI, 새로운 패러다임 사람들과 같은 것들이 놀랍습니다 아마존은 정확히 어떻게 전달합니까? 그들이 말하는 그날에? 그리고 Walmart 등등 지금 너와 같은 종류의 능력 기업의 생태계를 활성화 할 수 있습니다 지금은 혁신적인 사고가 필요합니다 고객을 더 잘 알게되면, 감정을 이해할 수있을 때 그것을 더 잘 분석하면 어떻게 할 수 있습니까? 가격 조정을 통해 고객을 더 잘 도와 주겠습니까? 이러한 혁신은 고객에게 있습니다

생각하고 행동하고있다 우리는 여기서 가장 일반적인 세 ​​가지 시나리오를 선택했습니다 고객 참여 – 우리는 많이 말할 것입니다 시스코와 함께 그리고 그들은 매우 매혹적인 이야기를 가지고 있습니다 몇몇 훌륭한 연사가 생겼습니다

자, 저것과 함께, 당신이 볼 때 예측 정확도와 같은 문제 또는 예방 유지 보수, 그것은 당신에게 달려 있습니다 생태계 내에서 얼마나 멀리 상상할 수 있습니까? 가장 평범한 업무를 수행하고 번역하십시오 ML 모델로 이 여행을 이해하십시오 그리고이 점을 집으로 가져 가기 위해, 오늘 우리는 고객 참여에 초점을 맞출 예정이다 정말로 이해하고 이해하는 것이 무엇을 의미합니까? 당신의 고객은 더 낫습니까? 고객은 어떻게 상호 작용합니까? 당신은이 이야기를 정말 자주 듣습니다

데이터는 새로운 석유입니다 그 진술을 믿는다면, Google이 내부적으로 어떻게 운영되는지 생각하면, Google은 가장 많은 양의 데이터를 보유하고 있으며, 실질적으로 세계에서 Google 검색 엔진이 어떻게 작동하는지는 놀랍습니다 그것은 모두 기계 학습과 인공 지능으로 구동됩니다 다양한 형태로

이제 동일한 개념을 기업에 적용 할 수 있습니다 데이터의 힘을 이용하는 방법에 대해 생각하십시오 통찰력을 발휘할 수있는 중앙 집중식 위치 인간을 대신하여 결정을 내리고, 모든면에서 인간보다 낫다 이것은 인간을 대체하는 것이 아닙니다 이것은 인간의 능력을 키우는 것과 힘을주는 것에 관한 것입니다

소매 상황에서 우리는 모두 권장 사항을 얻는 데 익숙합니다 이 셔츠가 마음에 들거나이 제품을 좋아할 수도 있습니다 그래서 넷플 릭스에서 영화를 볼 때 – 당신이 이것을 보았으므로 당신이 좋아할지도 모릅니다 그리고 기계 학습 언어에서, 그것은 간단한 분류 문제입니다, 때로는 분류와 회귀입니다 Google Cloud에서 호스팅되는 TensorFlow를 사용하여 해결 된 문제 BigQuery에서 데이터를 중앙 집중식으로 관리 할 수 ​​있습니다

방금 간단한 해결책을 제시했습니다 이것에 구두로 레고 블록을 함께 사용하는 것만 큼 간단합니다 이런 종류의 단순한 아키텍처로, 이제 고객 기록의 실제 양을 생각할 수 있습니다 또는 리뷰, 감정, 온라인 리뷰인지 여부 또는 그들이 트위터 나 소셜 미디어에서 말하는 내용

걱정없이 중앙 집중화 할 수 있습니다 규모와 용량에 대해 정보의 중앙 집중화에 대해 생각하기 시작할 때 이제 귀하의 조직을 다르게 생각하게 만들고, 당신이 깨닫는 것이 중요합니다 이는 일회성 프로젝트가 아니라는 것입니다 그것은 여행입니다

그리고 곧 Sanjiv에서 듣게 될 것입니다 나 자신과 Sanjiv와 Vikram 사이의 여행 시작, 정말로, 주위의 대화와 함께, 왜 모든 인프라에 대해 걱정할 필요가 있습니까? 적어도 데이터를 중앙 집중화하지 않는 것이 좋습니다 특정 비즈니스 문제가 있습니까? 그리고 거기서 시작합시다 그저 단순한 무언가로, 진화를보기 위해 놀랍습니다 시스코는 모든 종류의 복잡성을 가진 환상적인 회사입니다

그리고 당신이 이런 종류의 여행을 시작했을 때, 하나는 올바른 플랫폼을 선택하는 것이 매우 중요합니다 둘째, 도메인 지식과 전문 지식을 융합합니다 실제로 기계를 배우는 법 실용화시켜야한다 이것은 더 이상 기업을위한 공상 과학 프로젝트가 아닙니다 그리고 우리가 얻은 모든 경험으로 우리는 세계 곳곳에서 계속해서 우리가 가고있는 것을 얻습니다

다음 10 년 동안 볼 수있는 것이 더 큽니다 인터넷 혁명보다 이를 통해 Cisco를 무대에 서게되어 자랑 스럽습니다 그들의 여행을 통해 그리고 데이터 과학을 이끌고있는 Sanjiv Patel을 환영합니다

조직뿐만 아니라 기계 학습을 주도하는 Vikram Cisco에서의 AI 실습 Sanjiv, Vikram SANJIV PATEL : 고맙습니다, 만주 여기 와서 반갑습니다 만주가 말했듯이, 나는 Sanjiv Patel입니다

데이터 과학 그룹을 이끌고 있습니다 고객, 파트너 및 영업 경험에 중점을 둡니다 VIKRAM VERMA : 저는 Vikram입니다 나는이 특정 프로그램의 기술적 인 단서입니다 SANJIV PATEL : 오늘, 나는 Omni-Channel에 관해 당신과 이야기하고 싶다

우리가 가진 몇 가지 도전 과제 그리고 우리가 어떻게 작업했는지 그래서 몇 년 전으로 돌아가겠습니다 Vikram과 내가 길을 생각할 때 우리의 새로운 고객 성공 조직을 시작했습니다 그리고 우리가 주목 한 것은 고객 성공을 시작하는 것입니다 우리는 많은 새로운 채널을 열었습니다

우리가 가진 도전은 이 채널들은 종종 우리가 가진 다른 채널들과 분리되어있다 잠재적으로 고객이됩니다 특정 채널에 참여할 수 있음 그것을 완전히하는 방식으로 다른 채널에서의 경험과 구분됩니다 그리고 우리가 인식 한 것은 우리가 정말로 경험을 하나로 묶을 필요가있다 이 다른 채널에서

자, 시스코가 혼자가 아니라고 생각합니다 맞죠? 아마도 꽤 일반적인 경험 일 것입니다 B2B 회사는 전통적으로 대부분의 B2B 회사에서 이 측면에 집중하지 않았습니다 최근 몇 년 동안 채널 수가 폭발적으로 증가함에 따라 이러한 채널을 연결하고자하는 욕구가 증가했습니다 고객의 욕구뿐만 아니라 모든 상호 작용에서 B2C 경험을 더 많이 얻는다

증가했다, 그것은 많은 압력을 가했다 변화시킬 회사들 그래서 우리는 우리가 우리가 가져올 수있는 일을하는 것 함께 어떤 방식 으로든 경험, 채널에 관계없이 고객은 우리와 함께 참여하기로 결정했습니다 그들은 일관되고 개인화 된 경험을 가질 것입니다 우리가 정말로 알고 싶었던 것 고객이 사용했을 때 특정 채널, 그 채널은 고객과 상호 작용할 수있는 방식으로 다른 모든 상호 작용을 고려함 그 고객은 시스코와 가장 많은 정보를 가져 왔습니다

그 교전으로 돌아와서 지능적이고 개인화 된 경험이었습니다 그리고 그것은 제가 생각하기에 두 가지 견적으로 이어집니다 매우 관련성이 높습니다 하나는 고객 경험이 얼마나 중요한지 이야기하는 것입니다 그것이 심지어 요점에 이르렀다

제품 및 가격보다 더 중요 할 수도 있습니다 차별화 요소로 다른 하나는 AI가 재생되고 있다는 것입니다 고객 경험에서의 커다란 역할 그리고 그것은 분명히 Vikram과 나는 우리가이 여정을 시작했을 때의 느낌이었습니다 우리는 뭔가를 만들어야한다는 것을 알았습니다

인공 지능 재단을 기반으로합니다 이것이 바로 우리가 오늘 여러분과 나누고 자하는 것입니다 먼저 몇 가지 문제점을 설명해 드리겠습니다 우리가 문제 진술을보고있는 동안 가지고 있던 먼저, 이미 언급했듯이, 우리는 Omni-Channel 경험을 갖기를 바랬습니다 연결되어 있지만, 우리는 특정 사일로가 있다는 것을 알았습니다

모든 것이 단편화 된 것은 아니지만 특정 사일로가있었습니다 우리가 알아야 할 것이었다 전반적인 경험의 일부로 이들을 다시 끌어들이는 방법은 무엇입니까? 그리고 그건 단지 디지털 채널뿐만 아니라, 판매 채널, 고객과 관계를 맺고있는 사람들 그 사람들이 동일한 유형의 상호 작용과 일관성이 있습니다 다른 하나는 사일로 캠페인 실행이었습니다 그리고 제가 여기서 말하는 것은 우리가 채널을 온라인 상태로 만들 것입니다

그것을 가능하게하기 위해 일하는 사람들의 팀이 될 것입니다 그러나 때때로 그들은 무엇으로부터 올바른 정보를 얻지 못했습니다 다른 채널에서 계속 진행 중이었고 최적화 중이었습니다 그 특정 채널 그래서 그것은 조용한 접근 방식을 이끌어 냈습니다

그리고 그로 인해 노동 집약적 인 노력이 많이되었습니다 사람들이 채널을 강화하려고 할 때, 그들은 독립적으로 데이터를 수집하려고 할 것입니다 다른 채널에서 가져와 함께 가져와야합니다 채널이 선형 적으로 커짐에 따라 우리는 거의 그 사람의 수가 해당 채널을 지원하는 데 참여했습니다 기하 급수적으로 증가했다

그리고 우리는 방법을 찾아 내고 싶었습니다 우리는 그 문제를 해결할 수 있습니다 문제의 핵심은 분산 된 데이터 문제였습니다 우리는이 모든 데이터를 가져 오지 않았습니다 이러한 다양한 채널 상호 작용에서 우리가 원했던 새로운 데이터 고객 상호 작용과 제품 등을 포함 시키려면, 함께 고객을 지원할 수있는 방식으로 경험

결과적으로 우리는 통찰력을 얻지 못했습니다 우리가 원했던 것, 우리는 더 많이 할 수있는 것처럼 느꼈습니다 지능 주위, 그 상호 작용 주위 고객에게 더 유용하게 만들기 그들의 경험을 향상시킵니다 제가 언급 한 바와 같이 우리가 인식 한 것은, 우리가 효과적으로 구축한다면이 일은 할 수 없습니까? 인간의 의사 결정을 통해서 Cisco가 보유한 포트폴리오를 고려할 때 너무 복잡했습니다

회사의 규모, 다양성 고객 유형 및 기대치 그들이 얻을 수있는 경험을 주위에 그리고 순전히 인간의 의사 결정 문제를 해결하지 못했습니다 그리고 우리가 정말로 필요로했던 것 같은 느낌 우리가 가질 수 있었던 전략이었습니다 확장 가능한 것에 대한 경로 그리고 그 전략의 세 가지 기둥이있었습니다

연결된 데이터, 연결된 인텔리전스 및 오토메이션 그래서 저는 각자의 예를 차례 차례로 알려 드리겠습니다 그래서 우리는 우리가 말하는 것에 대한 감각을 가지고 있습니다 첫 번째는 데이터를 연결하고 가져 오는 것입니다 그리고 그것은 꽤 분명한 포인트입니다

데이터를 얻는 것이 중요합니다 그러나 내가 이야기하고 싶은 부분 우리가 데이터를 수집하고 연결하는 방식입니다 나는 이것이 중요한 부분이라고 생각한다 그리고 기계 학습 부분이 실제로 관련되어있는 부분입니다 그래서 우리는 업계의 몇 가지 예에서 영감을 받았습니다

컴퓨터 학습을 통해 데이터를 연결하는 곳 내가 특별히 기억하고있는 것들 중 하나 병원 주변에있다 그래서 병원은 데이터를 함께 연결하는 좋은 일을합니다 기계 학습을 사용합니다 순수하게 사회 보장 제도와 일치하는 것은 불가능합니다

번호 때때로 사람들이 사회 보장 번호를 작성합니다 환자 이름 만 일치시킬 수는 없습니다 때때로 그 이름은 동일합니다 그래서 그들은 기계 학습을 방법으로 사용합니다

가장 높은 가능성 경기가 진행 중입니다 그리고 그들은 그것을 매우 빠르고 확장 성있게 할 수 있습니다 글쎄, 마찬가지로, 우리는 그 접근법을 사용하기로 결정했다 고객 데이터 일부를 연결하는 데 사용됩니다 그리고 연락처를 계정에 다시 연결했는지 여부에 관계없이, 실제로 다른 채널을 연결했는지 여부 서로 다른 그룹의 데이터를 전통적으로 잘 어울리지 않았다

또는 데이터의 일종의 조작 일치를 수행하는 경우에도, 우리는이 접근법을 정말로 받아들이 기 시작했습니다 데이터 연결 우리가 발견 한 것은 세 가지 큰 이점이었습니다 하나는 훨씬 정확했습니다 이 도표는 당신에게 우리가 비교할 때 발견 한 정확도 기계 학습 기반의 인간 기반 접근법 접근

그것은 또한 훨씬 더 빠릅니다 그래서 우리는 이것을 빨리 할 수있었습니다 며칠 안에, 반대로 그보다 훨씬 오래 걸린다 그리고 변화가 매우 유연했습니다 데이터가 변경되면서, 당신은 인간의 과정을 거쳐 돌아갈 필요가 없었습니다

그 변화에 대처하는 방법을 알아 내야합니다 당신은 실제로 그 변화에 매우 신속하게 적응할 수있었습니다 그리고 이것들은 모두 큰 장점입니다 그리고 데이터를 연결하면 우리가하고 싶었던 정보 작업의 근간이되었습니다 우리가 많은 시간을 보냈던 또 다른 것 의도를 이해하는 데있다

그래서 나는 생각한다 우리는 Google에 있습니다 Google은 검색 엔진으로 그 점을 잘 나타내고 있습니다 들어가서 CAL, CAL, Google 검색 엔진 인 Google에 캘리포니아 대학을 찾고 있다는 것을 알고 있습니다 버클리에서는 사람들에게 직관적이지 않습니다

미국 이외의 지역 그리고 그들이 알고있는 이유는 수백만 건의 검색 때문입니다 의도가 확립 된 상태로 완료되었습니다 마찬가지로, 우리는 문제를보기 시작했습니다 유사한 유형의 논리를 적용 할 수 있습니다

그리고 그들 중 많은 수가있었습니다 그 중 하나는 시스코에서 우리는 다양한 제품 포트폴리오를 보유하고 있으며, 우리는 비즈니스 고객에게 솔루션을 판매하는 경향이 있습니다 이러한 솔루션은 특정 제품 하나가 아닙니다 그들은 모두 함께 판매되는 제품 그룹이되는 경향이 있습니다 그리고 우리의 문제 중 하나는, 솔루션을 고객에게 판매했을 때 두 명의 다른 고객에게 동일합니다

고객 A가 제품 A, B, C 및 D를 구입했을 수 있음을 의미합니다 고객 B는 제품 E, F, G 및 H를 구입했을 수 있습니다 그러나 그것들은 같은 해결책이 될 수 있습니다 그렇다면이 두 솔루션을 동일한 솔루션으로 어떻게 일치시킬 수 있습니까? 그래서 우리는 500 만 건의 거래를 살펴 보았습니다 고객이 무엇을 구입했는지 살펴 보았습니다

우리는 그 제품의 그룹을보기 시작했습니다 구입 한 것만이 아닙니다 하지만 여러 사람이 구매할 때 그들은 시스코에서 구매하고 있습니까? 그리고 그들은 어떻게 그룹화합니까? 그리고 우리는 그것을 여러 가지 다른 방식으로 사용할 수있었습니다 첫째, 그룹화는 사물에 대한 입력이되었습니다 우리 모델처럼

피드백을 증가시키는 것도 좋은 방법이되었습니다 방법을 알려주는 제품 관리자로부터 Cisco의 솔루션을 살펴보십시오 그리고 우리는 다른 많은 것들에서도 그것을 사용할 수있었습니다 그러나 이것이 근본적인 작업이되었다 우리는 데이터 측면에서 준비 할 수 있습니다

다음 단계는 정보 조각이었습니다 다음으로 확장 성 인텔리전스에 대해 이야기하고 싶습니다 그리고 제가 들어가기로 한 것은 인공 지능과 기계입니다 사물의 학습 측면 여기서 강조하고 싶은 것 우리가 가진 두 가지 전략이 있다는 것입니다

하나는 인바운드를 둘러 쌌다 고객이 우리에게 왔을 때, 우리는 그들의 관심사가 무엇인지를 분류하는 방법 가능한 한 자동으로 응답하는 방법이 필요합니다 가능한 지능적으로, 우리가 가진 모든 정보를 고려하여 잡동사니 같은 것들을 통해 그들에 대해 이러한 유형의 메커니즘과 비슷합니다 그러나 우리는 또한 길을 가기를 원했다

사람들과의 인바운드 상호 작용 따라서 참여해야하는 사람들이 있다면, 우리는 올바른 사람에게 라우팅 기능을 원합니다 그리고 우리는 그 사람이되기를 원합니다 적절한 우선 순위 세트로 활성화 그것들에 반응하는 방법과 상호 작용에서 가능한 한 성공적이라고 말할 수 있습니다 이것이 인바운드 AI 비전에 대한 우리의 생각입니다

당신이 원한다면 아웃 바운드 관점에서 우리는 우리가 물건을 밀어 낼 때 고객에게 이메일을 보내는 것처럼 우리는 그것이 여행의 일부라고 우리가 할 수 있기를 원하는 것은 점점 더 그걸 데이터 과학 중심의 여행으로 만들자 우리가 올바른 콘텐츠를 결정하고 올바른 타이밍을 해당 콘텐츠에 대한 권리 및 해당 콘텐츠에 대한 포지셔닝 권한 그래서 고객은 궁극적으로 원하는 것을 얻고 있습니다 그리고 우리는 우리가 해당 고객과 그것과는 반대로 그들에게 의미가 있습니다

우리를위한 일반적인 여행 그래서 데이터 과학 주도 여행의 발전 우리가 아직 작업하고있는 과정입니다 하고있다 그래서 몇 가지 예를 들려 드리겠습니다 AI를 중심으로 우리가하고있는 일들을 흥미로운 기계 학습이라고 생각합니다

첫 번째 것은 아마존을 중심으로합니다 아마존은 구매자의 관심을 예측합니다 그들의 행동에 따라 그리고 이것은 매우 잘 알려져 있습니다 아마존은 이것을 잘 알고 있습니다

흥미로운 것은 Amazon, Airbnb, 및 많은 다른 회사, Spotify, 모두 수익의 상당 부분을 설명합니다 실제로 추천 엔진을 기반으로합니다 그리고 그건 내 생각에 매혹적인 것입니다 이것들이 얼마나 중요한지에 관해서 말입니다 그래서 추천 엔진도 만들었습니다

역사적인 제품을보고, 행동을 구매하고, 고객이 설치된 기반에서 무엇을 가지고 있었는지를 보여줍니다 그리고 저에게 두드러지는 점은 모델의 투자 수익 (ROI)에 시스코 전역에 배치 된 다른 장소 이메일, 디스플레이 광고, 온라인, 심지어 판매까지 권장 사항에 따라 다양한 방법으로 사용하고 있습니다 우리는 최대한 많은 영향력을 행사할 수 있습니다 그 중요성에 대해 생각해보십시오

일관된 고객 경험을 제공합니다 이제 수많은 채널이 있습니다 고객과 대화하고, 비슷한 상향 판매 대화와 그 종류의 고객과의 관계 일관성을 유지할 수있는 좋은 방법입니다 다른 예는 다음과 같습니다

Google을 다시 사용합니다 Google은 Google지도를 사용하여 최적의 경로를 제공 할 수 있습니다 이 최적화 조각은 우리가 할 수 있기를 원하는 것의 큰 조각 그래서 우리가 한 일 중 하나가 기계 학습을 어떻게 사용할 수 있는지 살펴 봅니다 AI가 참여할 수있는 최고의 채널을 예측합니다

고객이 될 것입니다 그래서 저는 조금은 언급했습니다 이전에 우리가 어떻게 AI 로드맵을 구축하고있었습니다 이 경우 고객 참여도에서 점수를 매겼습니다 다양한 채널을 통해 우리가 어떻게해야하는지 그 고객과 교전하십시오

예를 들어,이 경우 고객이 이메일 점수가 매우 높습니다 이메일을 사용하겠습니다 그러나 이메일 점수가 낮고 다른 것이 더 큰 경우, 글쎄, 우리는 아마 그 고객에게 이메일을 보내지 않을 것이다 우리는 그것이 효과적 일 것이라고 알고 있기 때문에 그 고객에게 가치가 없으며 그들을 끌어들이려고 노력한다 다른 수단을 통해

마지막으로 제가 말하고자하는 것은 자동화입니다 자동화가 아마도 가장 힘들 것이라고 생각합니다 이것에 대한 통찰력을 어떻게 얻습니까? 어떻게 다른 채널에 넣을 수 있습니까? 그래서 그들은 작동합니까? 그래서 저는 이것을 우리의 접근 방식에 대한 높은 수준에서 설명 할 것입니다 사실 우리가하는 일은 새로운 채널이 있기 때문에 그룹 조종사를 가지고있다 이러한 모델의 사용을 안내합니다

그리고 우리는 그것을 운영하는 그룹을 가지고 있습니다 그래서 저는 잠깐 이야기 할 것입니다 사실 두 그룹이 있습니다 그리고 저는 이것이 우리를위한 훌륭한 연습이라는 것을 알았습니다 우리는 글로벌 비즈니스 팀인 하나의 그룹이 있습니다

채널 소유자와 협력하고 싶습니다 그들이 이루고자하는 것을 이해하고, 우리가 가지고있는 모델에 대한 이해를 가지고있다 채널 소유자에게 가져올 수 있습니다 그들이 원하는 방식으로 옵션을 제공하십시오 고객과 교류하고 나서 우리에게 돌아온다

때로는 요청을 제공하고 때로는 묻습니다 지원 요청, 그런 종류의 일 그리고 너무 자주, 우리는 뭔가를 사용합니다 Excel 스프레드 시트처럼 기본으로, 단지 시작하고 이해하기 위해 우리가 그 채널의 사람들에게 어떻게 더 잘 봉사 할 수 있는지 그런 다음 배포 팀이 있습니다

집중된 데이터 엔지니어로 구성됩니다 그 조각을 자동화하자 그러면 우리는 어떻게이 인간들이 그렇게 할 수 있을까요? 모든 과정에 개입 할 필요는 없습니까? 자동화 작업중인 팀도 작업하고 있습니다 우리는 A / B 테스트의 규칙적인 종지부를 어떻게 이끌어 낼 수 있습니까? 우리가 할 수있는 실험 그 채널에서의 참여가 가능한 한 강력합니까? 그래서 그것으로, 나는 그것을 Vikram에게 넘겨 줄 것이다 우리가이 문제를 다루는 몇 가지 방법에 대해 이야기 해

인프라 관점에서 VIKRAM VERMA : 고맙습니다, Sanjiv Jeff Bezos의 의견으로 시작하겠습니다 AI는 수평 가능 층이고 아무 것도 없습니다 AI가 가치에 추가 할 수없는 비즈니스 측면

자, 우리가하고있는 일에 관해 Sanjiv의 요점으로 돌아가십시오 우리가 어떻게하는지 – Sanjiv와 내가 비전을보기 시작했을 때 기술적 측면으로, 우리는 누워 시작, 기술적 인 요구 사항에서 무엇을 의미 하는가? 관점? 수백 가지가 있었지만 그 중 네 가지를 강조하십시오 첫 번째는 더 많은 데이터를 얻습니다 두 번째 것은 가능한 한 많은 모델을 빌드하는 것입니다 세 번째 것은 데이터 포인트에서 두 배입니다

일부 B2B 모델의 데이터 요소 우리는 사용자 행동처럼 사용자를 보지 않았습니다 사용자 상호 작용 우리가 회사에서 좋은 곳입니다 우리가 아닌 곳 우리는 그것을 어떻게 연습으로 만들 것인가? 더 나은 작업 모델을 가능하게하기 위해 그 데이터를 얻는다

이해 관계자에게? 그리고 네 번째는 모델을 구축하는 것뿐만 아니라, 사용자에게 제공하지만 어떻게해야합니까? 우리는 Sanjiv가 말한 개인화를 추진합니다 진정한 역동적 인 개인화 우리는 이러한 데이터 과학 모델을 통합 할 수 있습니다 또는 이러한 인공 지능 기술 [INAUDIBLE] 및 chatbot Sanjiv가 실제 사용자 경험에서 이야기 한 것처럼 다른 채널을 통해? 역사적으로 우리는 항상 고객이 어디에 있는지 알기 이제 우리가 알고 싶은 것은 고객이 어디에있을 것인가입니다 고객에게 무엇을 제안해야합니까? 고객이 다른 조치를 취하는 경우, 그 권고를 동적으로 변경하십시오

그리고 추천에 의해, 그것은 제품 추천뿐만 아니라, 우리가 무엇을 보여줄지, 무엇을 우리는 그들의 관심을 끌고 싶다 어떤 행동을하고 싶습니까? 이러한 상호 작용을 기반으로합니다 따라서이 요구 사항을 기반으로 우리는 기술적으로 무엇이 필요한지 살펴 봤습니다 그런 일을하기 위해서는 환경이 필요했습니다 시스코의 탁월한 환경, 많은 데이터에 대해 확장 할 수있는 데이터 [INAUDIBLE] 통합이 더 쉽습니다

너무 복잡하지 않습니다 우리는이 데이터 과학을 생성 할 수있는 역동 성을 가지고 있습니다 모델을 만들고 효과적으로 배포하십시오 세 번째 것은 마이크로 서비스를 어떻게 배치 할 수 있는가입니다 이 데이터 과학 환경에서 사전 A / B 테스트를 제공 할 수 있습니다

이 모든 환경이 모여 도움이 될 수 있다고 우리의 경험은 끝이 없습니까? 이것은 복잡한 질문이었습니다 여러 개의 창을 살펴본 다음 Google Cloud [INAUDIBLE]로 가기로 결정했습니다 그리고 우리는 우리의 내부 환경을 계속 사용할 것입니다 우리가 가지고있는 그러나 우리는이 모든 시험 실험을 보충 할 예정입니다

Sanjiv은 Google 환경에서 언급했습니다 그 경험을 다시 배우게하십시오 우리가 고객과 어떻게 상호 작용하는지 그리고 내가 고객이라고 말하면, 그것은 진짜 고객이고, 우리의 판매자입니다 및 다른 파트너, 모두 3 차원

우리가 작업하고있는 아키텍처를 살펴 본다면, 이 조각의 대부분은 이미 제자리에 있습니다 그러나 다른 어떤 회사와 마찬가지로 느리게 움직이는 데이터, 천천히 변화하는 데이터 정보 및 빠른 속도의 데이터 트랜잭션 구조입니다 그리고 제 3 자로부터 많은 데이터 소스를 얻었습니다 우리의 응용 프로그램에서 우리는 심지어 [부적절한] 것이있었습니다

그래서 우리가 그것을 보았을 때, 우리는 시도했습니다 방법의 다른 전략을 생각해내는 Google Cloud 내에서 이러한 데이터 포인트를 수집합니다 우리는 pub / sub를 사용하고 있습니다 우리는 GCP를 [INAUDIBLE]로 사용하고 있습니다 우리는 실시간 데이터 전송도 사용하고 있습니다

Google에 넣으십시오 확장 성있는 모델을 일정 규모로 구축 할 수 있습니다 마이크로 서비스 환경을 통해이를 가능하게합니다 따라서 Sanjiv가 말했듯이, 우리는 에너지를 구현했습니다 Google Cloud로 가져갑니다

우리는 이미 이러한 모든 데이터 소스를 보유하고 있습니다 Google Cloud로 이전했습니다 우리는 Apache [? B,?] 꽤 많은 술집 / 잠수함, 이러한 제 3 자 이벤트를 가져 와서 Google Cloud로 가져 오려면 데이터 과학 기능을 향상시킬 수 있습니다 방금 이야기 한 경험을 가능하게합니다 차세대 방화벽 인 경우 [? 얼음?] 그리고 고객 시스코의 경우, 그 차이를 지금도 볼 수 있습니다

우리는 이미 첫 번째 단계를 밟았습니다 해당 제품 페이지의 Ciscocom에 로그인하면, 사용자 정의가 표시됩니다 앞으로 많은 일이 올 것입니다 우리가이 여정을 계속 나아가 자마자 곧

이것으로 우리가했던 많은 것들이 있다고 말할 수 있습니다 그리고 POC로서 Google 클라우드의 일부 기능 우리가 한 것은 정서 분석이었다 Google의 사전 구축 된 API를 사용합니다 Google은 우리는 전화 통화를 분석 할 수 있습니다 우리는 사용자 행동을 분석 할 수 있습니다

우리가 얻고있는 것을 바탕으로 한 정서를 분석 할 수 있습니다 또는 사용자로부터의 피드백 이를 통해 우리는 더 빨리 시장에 진출하고 능력을 발휘할 수 있습니다 우리가 개인화하고 만날 수있는 곳 우리의 목표는 훨씬 더 빠릅니다 이것으로 우리 세션이 마무리됩니다

Q & A에 계속 지켜봐주십시오 잠시 후 다시 방문하겠습니다 고맙습니다 MANJU DEVADAS : OK 지금까지 세션을 듣고 주셔서 감사합니다

우리는 몇 가지 질문이 떠오르는 것을 보았습니다 우리는 그것들 중 몇 가지를 취할 것입니다 나 자신과 Sanjiv 사이에서, 우리는 팀에 따라 이것들에 대답 할 것입니다 첫 번째 질문은 많은 양의 데이터가 필요합니까? AI 예측 및 권장 모델을 실행 하시겠습니까? 중소기업 및 고객 데이터 감소 방법 그러한 모델로부터 이익을 얻는가? 일반적으로, 예, 데이터 양이 많을수록 좋습니다 그러나 결정적인 조치는 없습니다

얼마나 정확히 필요한지 그것은 당신의 사업을 아는 것과 섞여 있습니다 그것은 당신이 당신의 모델에서 만들려는 것을 혼합 한 것입니다 그리고 당신이 얻으려는 통찰력의 종류 그리고 데이터에 충분한 패턴이 있습니까? 그래서 이것들은 3 ~ 4 가지 핵심 요소입니다

너를 판단하기 전에 너는보아야 만 해 충분한 데이터를 가지고 있건 없건간에 다양한 고객의 작업 부하로 작업 한 경험으로, 매우 큰 – 말 그대로 운 10처럼 – 매우 작습니다 SNB와 같습니다 그리고 흥미롭게도, 비즈니스의 긴급 성 및 필요성에 따라, 두 스펙트럼 모두 기계 학습을 사용합니다

그리고 예를 들어, 온라인 e-tailer가 전화를 걸면, 온라인 소매 업체, 극히 중소기업이지만 극도로 스트리밍 데이터를 이용한 기계 학습 채택 속도가 빠름 고객 리뷰 등등 다른 스펙트럼, 대기업, 또한 엄청난 양의 데이터가 있기 때문에 이것을 찾으십시오 그 질문에 대해서는 그게 전부입니다 Sanjiv, 다음 질문을하고 싶습니까? SANJIV PATEL : 네 다음 질문은 어떤 데이터 요소입니까? 시스코가 고객 경험을 향상시키기 위해 찾고 있습니까? 그래서 저는 두 가지 큰 일이 마음에 들었고, 일반적으로 말했습니다

그래서 하나는 고객 상호 작용에서 오는 데이터입니다 내 말은, 그건 분명히 분명해야합니다 하지만 WeChat을 가져 가자 중국에서는 점점 더 커지고 있습니다 WeChat을 통해 고객과 교류하고 있으므로, 우리는 정말 확실한 방법이 있어야합니다

그 데이터가 시스코로 다시 돌아올 것입니다 우리는 그 데이터로 무엇인가를하고 있는지 확인하고 있습니다 그 데이터가 경험을 향상시켜야한다는 생각과 함께 다른 채널에서 참여할 수 있습니다 이것이 사물의 한 측면입니다 사물의 다른면은 실제로 우리 제품의 데이터

따라서 우리는 제품에서 거대한 양의 데이터를 수집합니다 점점 더 많은 제품을 추가함에 따라 점점 더 우리의 포트폴리오, 특히 소프트웨어 분야에서, 성장하고 있습니다 그래서 우리가하려는 일의 큰 부분입니다 그 데이터가 다시 돌아 오면, 우리는 그것을 사용하여 경험을 향상시킬 수 있습니다 그것을 개인화해라

예를 들어, 고객이 특정 기능을 구현하려하고 있습니다 예를 들어, 우리는 그런 방식으로 그것을 사용할 수 있어야합니다 고객을 돕기 위해 제품에서 가치를 얻을 수 있습니다 훨씬 더 빨리 MANJU DEVADAS : OK

고마워, Sanjiv 다음 질문을보십시오 여기에는 두 부분이 있습니다 우리는 어떻게 기업이 마케팅 관점에서 AI를 사용하여 최대 수익을 얻고 있습니까? 결과의 유효성을 검사하는 방법은 무엇입니까? 올바른 데이터를 확보하는 방법 모델을 훈련하는 동안? 이것은 꽤로드 된 질문입니다 나 자신과 Sanjiv 사이에서 우리는 이것을 대답 할 것이다

우선, 투자 수익 (ROI) 내가 초기에 컴퓨터 학습과 AI 프로젝트는 여행이 아니라 프로젝트입니까? 그래서 그걸 명심하십시오 내가 1995 년 인터넷으로 15 년 전, 또는 오히려 말한다면, 인터넷 기업의 모든 측면을 바꿀 것입니다 및 대부분의 기업에 대한 작업 어떻게 될지 상상하기가 어려울 것입니다 그리고 오늘날, 아무도 그것을 논쟁하지 않습니다 너는 그런 종류의 관점을 지켜야한다

당신이 기계 학습과 AI에 투자 할 때 여기에 빠른 수익이나 마술을 기대하지 마십시오 마술은 없습니다 그리고 그것은 Google의 집단 학습입니다 지금 당신을 위해 사용할 수있는 많은 유사한 회사들 배우다

이제 기계 학습 모델을 작성할 때, 결과를 확인하려면 엄지 손가락 하나를 명심하십시오 당신은 인간의 의사 결정을 흉내 내고 있습니다 즉, 인간은 이미 많은 결정이 책상에 앉아 있었다 비즈니스 문제 또는 예측을 수행하는 경우, 예를 들어, 기계 학습 너보다 더 잘 예측하고있어? 당신은 모델을 훈련시킵니다 당신은 모델을 평가합니다

평가 단계에서 인간보다 더 잘하고 있습니다 그렇다면 당신은 당신의 대답을 가지고 있습니다 그리고 거기에 – 기계 학습을 구축 할 때가 있습니다 모델을 사용하면 더 잘 이해할 수 있습니다 그리고 마지막으로, 어떻게해야합니까? 올바른 데이터가 있는지 확인하십시오

이 깨끗한 데이터의 개념이 있습니다 기업에서 매우 자주 듣게됩니다 근본적으로 나는 깨끗한 데이터를 믿지 않는다 데이터는 그대로 존재합니다 Google이 앉아서 청소해야한다고 상상해보십시오

입력되는 모든 단일 데이터 그들은 결코 당신에게 결과를 줄 수 없을 것입니다 그런 관점에서 나는 데이터를 정리하지 말라는 의미가 아닙니다 데이터 할당은 60 % ~ 70 % 기계 학습 모델을 구축하는 시간 훨씬 더 중요한 것은 완벽하게하려고하지 않는 것입니다 계속 움직여 라

모델을 실행합시다 모델에서 몇 가지 사실을 알려줍니다 즉흥적으로 할 수 있습니다 Sanjiv, 아무 것도 추가하고 싶니? SANJIV PATEL : 당신의 관점에 전적으로 동의합니다 사실, 만주

맞습니다 MANJU DEVADAS : 좋습니다 다음 걸릴까요? SANJIV PATEL : 물론입니다 그래서 다음 질문은 모델이 될 것입니다 당신이 개발하는 사람이나 가상 판매 누가 목표로 삼 을까? 전환율은 어떻게 개선됩니까? 그래서 다른 많은 측면을 가지고있는 또 다른 질문입니다

내가 생각하기에이 단어는 "실시간"이라고 생각합니다 그렇습니다 모델은 대상을 결정할 인간을 말합니다 우리는 이미 오늘 그렇게하고 있습니다 실시간 조각은 우리가 작업하고있는 부분입니다

예를 들어, 최고의 사례 시나리오 인 만주 (Manju) 알다시피, 당신은 시스코의 고객입니다 그리고 당신은 페이스 북에옵니다 그리고 당신은, 어이, 시스코 라우터를 사고 싶어요 나는 곧 누군가의 손에 넣고 싶습니다 우리는 아직 그 시점에 있지 않습니다

우리가 일하고 있습니다 어떻게해야합니까? 영업 사원의 손에 물건을 넣다 가능한 빨리 우리가 거기에 있음을 알 때 그렇게 할 기회가 있습니까? 전환율을 어떻게 높이는 지에 관해서는, 특정 측정 항목이 없습니다 전후로 전환율이 어떻게 개선되었는지에 관한 것입니다 하지만 우리가보고있는 것들 중 하나는 – 이 시점에서 일반적으로 영업에서 일화 피드백

그들은 우리가 제공하는 것에서 가치를 찾고 있습니까? 일반적으로 더 나은 성과로 이끌 리 는가 아닌가? 그리고 지금까지 피드백은 매우 긍정적이었습니다 그렇게 대단 했어 그리고 나는 마지막 것을 가져갈 것이다 MANJU DEVADAS : 물론입니다 SANJIV PATEL : 마지막 질문 당신이 가진 모델의 정확성이 얼마나 중요한지 개발 중? 정확도를 높이는 방법은 무엇입니까? 성향 모델? 그래서 그것은 큰 질문입니다

그리고 사실, 아마도 약간의 대답 일 수도 있습니다 반 직관적 인 우리는 모델의 정확성에 지나치게 염려했다 처음에는 우리의 목표는 모델을 만들고 거기에 넣는 것입니다 그들에게서 배우기 그리고 때로는 많은 관심이 집중됩니다 – 특히 니가 케글과 같은 무언가에 관련되어있을 때, 데이터 과학 경시 대회 – 어떻게 정확도 향상 74

1에서 742로? 그리고 그것은 엄청난 개선입니다 우리는 그러한 사고 방식으로 작동하지 않습니다 우리의 사고 방식은 모델을 만들어 봅시다 저기에 놓아 둡시다

어떻게되는지 봅시다 그것이 우리가 고객을 발전시킬 것이라고 생각하는 것입니다 어떤면에서의 경험? 그런 다음 시간이 지남에 따라 반복적으로 계속하겠습니다 더 많은 데이터를 가져옴으로써 그것을 향상시키기 위해, 모델 자체를 수정하고 작동하는 것을 찾아야합니다 그것이 우리가 할 수있는 가장 빠른 길입니다

우리가 현실에 대해 말한 종류의 로드맵을 만들 수 있습니다 그래서 그 질문에 대답 할 수 있습니다 MANJU DEVADAS : 좋습니다 고마워, Sanjiv 그리고 우리의 마지막 코멘트는 여행을 시작할 때, 작은 방법으로 시작하십시오

배우고, 실험 해보십시오 명왕성 7과 함께 Google이 도움을줍니다 워크샵을 진행하고, 초기 모델을 구축하고, 여행을 시작하십시오 그리고 거기에서 많은 것이 있습니다 귀하의 기업에 제공되는 학습의 그리고 재미있게 보내십시오

감사합니다, Sanjiv 및 Vikram 그리고 그 다음 세션을 위해 계속 지켜봐주십시오 과대 광고에서 가치에 이르기까지, 기계 학습을 시작하는 방법 프로젝트 또한 재미있는 주제입니다 고맙습니다

[음악 재생]

Jeff Dean Explains how OK Google Learns from Examples

안녕! 제 이름은 제프 딘 (Jeff Dean)이며 Google에서 인공 지능 연구를하고 있습니다 오늘 나는 Google을 사용할 때 커버 아래에서 일어나는 일들에 대해 서비스를 받고 전화로 이야기하십시오

OK Google, 치타 사진을 보여줘 [OK Google] 사진이 일치해야합니다 그래서 우리가 간다, 실제로 나는 치타의 그림의 송이를 실제로 가지고있다 그러면 컴퓨터가 어떻게 그랬습니까? 우리는 에펠 탑과 이해 웹 페이지 그리고 그 단어에 대한 자세한 내용은 여기에 있지만 여기에 우리는 실제로 당신이 요구 한 것에 대한 이미지를 보여주고 있습니다 당신은 치타에 대해 물었습니다

그래서 여기에서 일어나는 일에 대해 이야기합시다 우리는 기술을 사용하고 있습니다 기계 학습 및 기계 학습이라고하는 컴퓨터는 Google 제품의 여러 곳에서 실제로 사용하는 예제를 통해 배우십시오 그래서 제가 말한 음성 인식 시스템이 처음에 말했던 곳입니다 2 + 2는 어디에서부터 녹음을 시작했는지 배우는 곳입니다

2 + 2는 실제로 우리가 실제로 원하는 모델을 학습하는 기계의 한 종류입니다 이미지에서 어떤 종류의 것들이 이미지에 있는지 그리고 여기에서 우리는 우리가 가지고있는 데이터에 대해 훈련받은 다른 기계 학습 모델을 사용하십시오 이미지들과 사람들의 무리가 치타의 사진이라고 말했다 또 다른 사진이 있습니다 그것이 항공기 사진입니다

또 다른 사진이 있습니다 그것은 차 사진입니다 치타에 대한 또 다른 그림이 있습니다 수백만, 수백만 가지의 많은 다른 종류의 그림을 예로 들면 사실 완전히 새로운 사진이라도이 사진들이 무엇인지 배웁니다 이 그림은 내가 보았던 모든 치타 예처럼 보입니다

그래서 생각합니다 그것은 치타입니다 그래서 그것은 기계 학습 학습의 개념입니다 많은 경우 자신의 교육에서 자주하는 많은 예에서