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

Google’s Sara Hooker explains how AI uses features

안녕하세요 여러분, 제 이름은 Sarah Hooker이고 저는 Google의 엔지니어이자 연구원입니다 그리고 오늘 저는 여러분에게 들었을지도 모르는 세 단어에 대해 이야기 할 것입니다

이전 모델과 실제로는 핵심 모델이므로 응답 모델입니다 내가 AI에서 연구하는 일상 생활에 필요한 재료 그래서 저는 아프리카에서 자랐습니다 실제로 인도양에있는이 모잠비크에서 자랐습니다 모잠비크는 매우 따뜻한 기후를 가지고 있으며 실제로 모기에 완벽한 기후입니다

모기는 날기 위해 스페인어입니다 그러나 이것은 어떤 종류의 날도 아닙니다 이것은 인간의 피를 빨아 먹는 파리 다 그러면 모기가 당신에게 도착할 것이다 당신의 피부와 그것은 당신의 피를 가져올뿐만 아니라 말라리아로 감염 될 수 있습니다

말라리아는 몇 가지처럼 보입니다 현기증이 나고, 오한이 있습니다 고열과 메스꺼움도 있습니다 어렸을 때 나는 실제로 말라리아 3 마리를 낳았습니다 나는 주로 말라리아 약을 복용하는 것이 좋지 않았기 때문에 말라리아에 걸릴 때마다 부모님이 저를 의사에게 데려다 줄 것입니다

한 번만 의사를 만나고 질문은 말라리아에 걸릴 것입니다 제가 가진 한 가지 질문은 의사가 질문에 대한 답을 어떻게 알 수 있습니까? 내가 말라리아를 가지고 있는지 아닌지를 의미하며, 시간이 지남에 따라 의사가 처음에 몰라 의사는 자신의 경험을 통해 시간을두고 학습하고 그래서 의대가 의대를 졸업 한 후에 의사가 처음으로 보았을 때 전에 말라리아 환자 그렇다면 진단에서 생존을 위해 어떤 질문을 할 것인지 결정하는 것이 좋습니다 그러나 그들이 시간이 지남에 점점 더 많은 환자들을 보게되면서, 저를 좋아하는 사람들은 어떤 질문이 그들을 이끌어 냈는지 알아내는 것이 좋습니다

정확한 진단 및 그 이유는 모델이 의사와 정확히 똑같습니다! 왜냐하면 모델은 패턴과 데이터를 보는 것에서부터 경험을 통해 학습하기 때문입니다 이것은 처음 엔 도입 된 것이 정말 멋지다 세 가지 용어는 모델과 응답을 특징으로합니다 이 경우의 기능은 다음과 같습니다 내 기분이 될지도 모르겠지만 내 같은 사람의 속성 그것은 다른 환자의 온도이기도하며 모델은 의사와 마찬가지로 특정 온도와 특정 반응을 연관시킨다

시간이 지남에 따라 여러 다른 환자를 보는 것에서 알 수 있습니다 말라리아 란 무엇이며 그렇지 않은 것은 무엇입니까? 이것과 내가 생각하는 것에 대한 놀랄만 한 사실은 믿을 수 없을 정도로 시원합니다 의사가 하루 동안 가지고있는 시간이 제한된다는 것입니다 그들은 집에 가서 자야하기 때문에 많은 환자들을 볼 수 있습니다 그러나 모델은 전 세계의 데이터와 모든 유형의 사례를 수집하여 말라리아 진단시 인간보다 더 정확할 때가 많습니다

인공 지능이 실제 잠재력을 지녔다고 생각하고 의사가 해결할 수 있도록 도와줍니다 내가 자란 세계의 의료 진단 같은 경우

Cloud AI: How to Get Started Injecting AI Into Your Applications (Cloud Next ’18)

[음악 재생] JIA LI : 안녕하세요 나는 지아 야

오늘 저는 클라우드 AI에서 어떻게, 우리는 고객의 요구에 영감을 받았습니다 AI는 모든 산업을 변화시킬 잠재력을 가지고 있으며, 운송에서 의료, 소매점에서 교육에 이르기까지 그러나 AI에서 가능한 것 사이에는 큰 격차가 있습니다 고객에게 도달 할 수있는 범위가 무엇인지 파악해야합니다 이 격차는 양쪽에 대한 인식 부족을 드러내줍니다 한 편으로 많은 전통적인 회사들 인공 지능에 대한 이해가 부족하기 때문에 어렵습니다 그들에게 이익을주기 위해서

기계 학습 개발은 매우 복잡한 사이클입니다 데이터 수집, 모델 설계, 모델 매개 변수 튜닝, 모델을 업데이트하고, 평가하고, 프로세스를 반복하며, 매 단계마다 기계 학습 전문 지식이 필요합니다 불행히도, 2100 만 명의 세계 개발자 중, 100 만 개 정도 밖에 데이터 과학 배경이 없습니다 수천 명이 깊은 학습이나 기계를 가지고 있습니다 학습 전문 지식

그리고 다른 측면에서, 기술자 인공 지능의 발전을 주도하고있는 사람들 전통 산업에 대한 이해가 부족합니다 결과적으로, AI의 혜택을받을 수있는 많은 문제 미해결 상태 Google Cloud는 고객과 AI를 끌어들이려고 노력하고 있습니다 전문가들이 공유 플랫폼에 함께 있습니다 우리는 고객이 AI를 이해하고 그것의 능력은 더 접근 가능하다

이 과정을 통해 우리는 그들의 세계에 대한 직접적인 이해, 그들이 직면 한 도전 이를 Google의 인공 지능 전문 기술과 결합하여, 우리는 강력한 새로운 방식으로 문제를 해결할 수 있습니다 다양한 범위를 이해함으로써 오늘날의 기업 환경에서 요구 사항을 충족시키고, 우리는 AI의 힘을 형태로 전달합니다 고객이있는 곳을 만나기를 바랍니다 우리는 광범위한 솔루션에 AI 기술을 제공합니다

한쪽면에서 가장 진보 된 기계 학습 전문가, 우리는 가장 강력한 기계를 제공합니다 그들에게 그들의 비전을 세우는 도구를 배우고, TPUs, TensorFlow, Kubeflow, Cloud ML 엔진 등이 있습니다 다른 한편으로는 AI의 가치를 이해하는 고객, 그러나 그것을 사용하기위한 전문 기술이 없습니다 우리는 즉각적인 결과를 제공하는 간단한 도구를 제공합니다 Machine Learning API와 같습니다 그리고 그 사이에, 우리는 점점 더 많은 범위의 솔루션을 제공합니다

사용 편의성과 정교한 기능이 조화를 이루고 있으며, 우리가 어제 발표 한 컨택 센터와 같은 또한 최대의 결과를 제공 할 것으로 믿습니다 전문성에 관계없이 모든 고객에게 제공됩니다 클라우드 TPU를 고려하십시오 예를 들어, 사용자 정의 기계 학습을 획기적으로 가속화하는 칩 작업 최소한의 코드로 고급 사용자 TPU에서 TensorFlow 모델을 실행할 수 있습니다

즉각적인 향상을 경험할 수 있습니다 그러나 초보자조차도 성능 향상에 의존 할 수 있습니다 최신 Google 하드웨어에서 번역 API와 같은 API로 장면 뒤에서 자동으로 TPU를 활용할 수 있습니다 당신의 규모 수준에 상관없이, 우리는 가장 많은 혜택을 누릴 수 있기를 바랍니다 강력한 기술

우리는 이것을 민주화하는 AI라고 부릅니다 AI가보다 쉽게 ​​접근 할 수 있도록하기 위해 우리는 할 수 있습니다 우리 기술이 다음에 어디로 가고 있는지 설명하기 위해, 나는 약간의 역사를 공유하고 싶다 컴퓨터 비전 분야에서 저의 커리어에서 목격 한 것입니다 이미지 분류는 가장 큰 성공 중 하나입니다

우리 분야의 이야기 최근 몇 년 동안, 그것은 많이 겪어 왔습니다 뜻 깊은 개선의 그리고 지금, 우리는 어떻게 우리가 이미지 인식의 성공을 다른 영역으로 확대 할 것인가? 그러나 우리는 그렇게하는 데 많은 어려움을 겪고 있습니다 첫 번째 과제는 데이터입니다

수백만 개의 이미지를 수집하는 데 몇 년을 소비했습니다 그들이 보는 것을 이해하기위한 알고리즘을 훈련 할 수 있습니다 두 번째는 알고리즘 개발입니다 수 백명의 연구자들이 수십 년이 걸렸습니다 이 단일 목표의 알고리즘을 수정하십시오

AI를 민주화하는 큰 부분은 더 나은 방법을 찾는 것입니다 이미지 인식을 성공으로이 끕니다 이것은 AutoML의 약속입니다 AutoML을 사용하면 Google의 가장 발전된 기능을 맞춤 설정할 수 있습니다 맞춤식 및 특정 용도로 모델을 학습하는 기계 모든 경우, 어떤 기계 학습 코드도 작성하지 않아도됩니다

첫 번째 릴리스는 올해 초에 나왔습니다 Cloud AutoML Vision의 형태로 Cloud Vision API를 인식하도록 교육 할 수 있습니다 완전히 새로운 이미지 카테고리 Keller Williams Realty는 AutoML Vision을 사용하고 있습니다 가장 진보 된 가정 검색을 시장에 내 놓는다

소비자를위한 경험 인식 할 수있는 맞춤 모델 교육 가구 및 건축의 공통 요소, 고객은 자동으로 집 리스팅 사진을 검색 할 수 있습니다 화강암 카운터와 같이 자신이 선호하는 기능을 찾으려면 정상, 또는 현대와 같은 훨씬 더 일반적인 스타일 그리고 다음은 여기에 두 가지를 소개했습니다 추가 AutoML 기능 – AutoML 자연 언어 및 AutoML 번역

AutoML 자연 언어를 사용하면 고객 맞춤형 모델을 정확하게 인식하도록 교육 할 수 있습니다 텍스트에 도메인 특정 콘텐츠 예를 들어, 고객 중 한 곳인 Hearst Newspapers, 그들은 세계에서 가장 큰 출판사 중 하나입니다 잡지와 신문의 그들은 항상 더 나은 방법을 찾고있었습니다 콘텐츠를 관리합니다 Hearst Newspaper에서 그들은 기대하고 있습니다

클라우드 ML, AutoML 자연어 활용 신문에 대한 도메인 별 텍스트 모델을 사용자 정의하는 방법 회계사 그리고 그것은 그들의 요구에 대해 높은 정확성을 제공하고 있으며, 어떤 기계 학습 코드도 작성하지 않아도됩니다 AutoML 번역은 전문 용어와 용어를 인식하는 데 도움이됩니다 도메인과 관련된 결과는 실제로 번역됩니다 문맥과 뉘앙스를 포착한다

고객이 기대할 수있는 따라서 전세계 고객은 AutoML을 사용하여 번역 기능을 개선 할 수있는 방법을 모색하고 있습니다 예를 들어, 일본에 본사를 둔 미디어 회사 인 니케이 (Nikkei) 국제 뉴스 번역을위한 AutoML 평가 조항 AutoML을 활용함으로써 사용자 정의를 충족시킵니다 그들로부터 필요합니다 그리고 그들은 정확도에 매우 깊은 인상을 받았습니다

인공 지능은 아직 매우 초기 단계입니다 우리는 여러분 각자가 몇 가지 독특한 도전에 직면 해 있음을 압니다 우리는 그것들을 배우고 그것을 해결하는 데 열심입니다 그렇게하면 우리는 당신과 긴밀한 대화를해야합니다 업계의 문제에 대해 이야기 해 봅시다

그리고 이상적인 결과는 무엇입니까 최신 AI 기술을 사용하기 위해 함께 노력합시다 그 비전을 현실로 만들기 위해서 고맙습니다 이제는 스테판을 무대로 환영하고 싶습니다

우리가 SAP와 어떻게 파트너 관계를 맺고 있는지 공유하십시오 Google을 사용하여 실제 세계에 AI 및 엔터프라이즈 소프트웨어 제공 구름 고맙습니다 STEFAN NUSSER : 고마워, 지아 [박수 갈채] 여러분 좋은 오후입니다

제 이름은 Stephan Nusser입니다 저는 제품 관리자입니다 유럽의 Cloud AI Google Cloud에서 Google의 주요 목표 중 하나 인 AI를 민주화하고 진입 장벽을 낮 춥니 다 고객에게 가능한 한 쉽게 제공합니다 그 놀라운 기능을 사용하기 위해 전 세계에 걸쳐 있습니다

AI가보다 쉽게 ​​접근 할 수있게되면서, 다른 기술들 이익도 우리는 AI의 결합 된 힘을 사용하는 기회를 보았습니다 클라우드는 자동화가 산업계에 더 쉽게 접근 할 수있게 해줍니다 모든 규모의 비즈니스에 적합합니다 방법을 이해하기 위해 [NON-ENGLISH]를 살펴 보겠습니다 Industry 4

0 및 오늘날의 자동화 상태에 대해 설명합니다 흥미 진진한 변화가 있습니다 산업 부문에서 제조 운영 및 전체 공급망 디지털화 중입니다 이것은 Industry 40으로 알려져 있습니다

그것은 기계와 환경을 감지하는 것을 포함합니다 산업 분야의 기업들이 사용하기를 원한다 그 센서 데이터는 기계 학습 및 인공 지능을 구동합니다 이는 새로운 차원의 최적화를 가능하게합니다 및 학습

궁극적 인 목표는 현재 진행중인 프로세스를 만드는 것입니다 수동으로 조작하면 훨씬 효율적으로 제어 할 수 있습니다 자동화는이 과정에서 중요한 역할을합니다 이제는 역사적으로 자동화가 고도로 맞춤화되었습니다 선불 비용이 높은 사일로

그리고 그 결과로, 벤더에 종속됩니다 또한 유연하지도 않습니다 자동화를 감당할 수 있다면 주위의 전체 환경을 구조화하십시오 오늘날 우리는 자동화 분야에서 흥미로운 추세를보고 있습니다 로봇과 같은 협업 로봇 이 슬라이드에 표시된 최신 센서와 개방형 소프트웨어 레이어로 쉽게 프로그래밍을 위해 이러한 협업 로봇 우리가 자동화하는 방식을 바꾸겠다고 약속하십시오

특히 이 로봇이 할 수있는 덜 구조화 된 환경에서 인간과 나란히 작업하십시오 그렇다면 물리적 세계를 어떻게 디지털화할까요? 창고와 같이 덜 구조화 된 환경에서 이 슬라이드에서 보셨나요? 대형 기계에서 센서 판독 값을 쉽게 포착 할 수 있으며, 하지만 제품을 디지털화하는 것이 훨씬 더 어렵습니다 저장소 또는화물 컨테이너 (예 : 궤 또는 팔레트) 또는 선반, 또는 상자, 특히 인간 근로자가 동일한 작업 공간에서 수동으로 이동 그리고 주위에 컨테이너? 우리는 이러한 도전 과제 중 일부를 해결할 수 있다고 생각합니다 협동 로봇의 도움으로 AI와 클라우드의 힘을 이용함으로써 그리고 우리는이 기회를 보는 유일한 사람이 아닙니다 SAP의 파트너 인 SAP에 대해 조금 알려 드리겠습니다

SAP는 엔터프라이즈 애플리케이션 분야의 세계 선두 기업입니다 그들은 중소 규모의 비즈니스 프로세스를 관리합니다 전 세계의 기업 주문, 부품 또는 재고 수준을 생각하십시오 그들의 뿌리는 유럽과 산업 분야에 있습니다 SAP는 고객과 협력하고 있습니다

온 프레미스에서 점진적으로 워크로드를 전환하려면 클라우드로 그것들은 깊은 산업 전문 지식과 결합되어, 독특하고 강력한 GCP 파트너가되었습니다 Industry 40은 SAP에 큰 기회입니다 비즈니스 프로세스를 최적화 할뿐만 아니라, 그러나이 최적화를 물리적 세계에 더 가깝게 만들기 위해, 예를 들어, 좋은, 팔레트의 실시간 인식, 또는 창고에있는 트롤리 짧은 피드백 루프와 쉽게 사용할 수있는 기능이 결합되었습니다

자동화는 효율성 증대로 이어질 것입니다 SAP 고객을위한 민첩성 이 기회를 잡기 위해 SAP는 방법을 찾고 있습니다 협력 로봇을 관리하고 조율하는 방법 다른 공급 업체 및 탭 사용 더 나은 최적화를 위해 실제 세계에 대한 통찰력을 얻으십시오 독일의 뮌헨 (Munich)에있는 Cloud AI 엔지니어링 팀은, 열려있는 Cloud Robotics에서 작업 중입니다

중요한 인프라를 추가하는 플랫폼 협업 로봇 성숙한 GCP 기술을 기반으로합니다 기본 기능 제공 클라우드 지원 자동화 솔루션 클라우드 로보틱스 플랫폼을 안전하게 로봇과 클라우드를 연결합니다 소프트웨어 배포가 가능합니다 및 기타 디지털 자산을 로봇, Kubernetes 컨테이너를 사용합니다

로그 데이터 수집을위한 인프라를 제공하며, 업로드, 모니터링 및 대시 보드 만들기 Stackdriver를 사용합니다 또한 센서 데이터 수집, 집계, 클라우드로 이전, 데이터 관리 biplanes, Bigtable, BigQuery, 데이터 흐름 등 우리의 목표는 이러한 공통 인프라 스트럭처를 해결하는 것입니다 전체 업계의 문제 우리의 클라우드 로보틱스 플랫폼은 오픈 소스가 될 것입니다 공개 API를 기반으로 구축 될 예정입니다

또한 고객에게 필요한 인터페이스를 제공 할 것입니다 데이터를 다른 플랫폼으로 이식합니다 그래서 창 잠금이 없습니다 이 Cloud Robotics 플랫폼은 얼리 어답터가 내년 초에 이용할 수 있어야합니다 이 인프라를 기반으로 AI 플랫폼을 활용하는 클라우드 서비스 제공 몇 가지 중요한 고객 고통을 해결할 수 있습니다

협업 로봇과 함께하는 임무 포인트 우리의 SLAM 서비스는 센서, 라이터 또는 깊이 카메라와 비슷합니다 로봇이지도를 만들 수있게 해줍니다 해당지도를 기준으로 자신을 지역화하고, 정적 인 표식을 인식 할 수 있습니다 우리는 그 센서 데이터를 분석하여 벽, 문, 선반, 테이블, 의자 및 기타 필수 요소 로봇 작업 공간의 같은 데이터를 사용하여 알려진 객체를 발견 할 수도 있습니다

작업 공간에서의 포즈 그러면 로봇이 로봇을 감지하고 계획 할 수 있습니다 이러한 항목에 대한 작업 우리가 어디로 갈거야? 여기에는 더 넓은 비전이 있습니다 우리의 인프라는 로봇에서 재사용 가능한 자산을 가능하게합니다

그리고 구름 속에 방금 설명한 서비스뿐만 아니라, 타사 소프트웨어의 토대가됩니다 우리의 계획은 파트너와 협력하는 것입니다 이 플랫폼을 생태계로 성장시키기 위해, 쉬운 소프트웨어 배포를 위해 앱 스토어 사용 개발자로서의 SAP와 고객, 손쉬운 생성 및 배포의 이점 로봇 자동화 솔루션 또한 클라우드 기반 센서 분석을 활용할 수 있습니다 데이터를 사용하여 물리적 세계에 대한 인식을 넓 힙니다

이 플랫폼을 통해 개발자는 재사용 가능한 재사용 가능한 소프트웨어 및 서비스 구축 어느 용도 또는 업종에서든 문제를 해결할 수 있습니다 이로써 궁극적으로 자동화가 대폭 단순해질 것입니다 맞춤형 통합 비용을 절감 할 수 있습니다 일회성 프로세스도 허용합니다 오케스트레이션을 통해 자동화 된 자동화 기존 하드웨어 및 소프트웨어 구성 요소의 협업 로봇 및보다 접근하기 쉬운 자동화 지방의 육체 노동을 보완 할 것이다

필요한 경우 생산성을 향상시킬 수 있습니다 이것은 자동화와 인공 지능이 인간의 기술을 향상시킬 수있는 방법입니다 여기 현지 노동 시장에서 Rajen Sheth, Director 환영합니다 이 원칙을 실천하고있는 제품 관리 팀 매일 [박수 갈채] RAJEN SHETH : 안녕하세요

그래서 우리가 갖고있는 위대한 기술에 대해 많이 들었습니다 그리고 내가 조금 더 얘기하고 싶은 것 고객의 접근 방식 그리고 이것에 접근하는 것에 대해 어떻게 생각할 수 있는지 그래서 당신이 본 것은 지아 (Jia)가 언급 한 바와 같이 기술의 스펙트럼이다 그리고 정말로, 여기에 절충점이 있습니다 당신이 가지고있는 융통성과 사용의 편이성입니다

그래서 우리가 정말로하려고하는 것은 다양한 옵션을 제공하여 여러 가지 일을 할 수 있습니다 그리고 이것을 조금 설명하고 싶습니다 우리 고객이 어떻게 이것을 사용하고 있는지에 대해 조금 이야기하십시오 그래서 한 손에는 클라우드 TPUs가 있습니다 아주, 아주, 아주 강력하다

또한 많은 서비스가 Cloud TPUs에 의해 지원됩니다 하지만 이제 우리는 사람들에게 접근 할 수있게되었습니다 기계 학습 전문 지식이 많이있는 꽤 놀라운 일을하기 위해 그것을 활용할 수 있어야합니다 그 외에도 TensorFlow 및 Cloud Machine Learning을 보유하고 있습니다 자신 만의 모델을 만들 수있는 엔진

그 외에도 Cloud AutoML, 다양한 일을 할 수있는 우리 모델을 커스터마이징 할 수 있습니다 그리고 API, 건물 함께 가져올 수있는 블록 Google의 모델입니다 최고의 Google 기술을 제공합니다 그리고이 모든 것들이 실제로 당신을 정말 큰 가치를 더합니다 그리고 거기에있는 한 가지는 우리가 사용의 편의성과 가치를 혼합하십시오

당신이 할 수있는 많은 것들이 있습니다 당신에게 가치있는 톤을 제공하는 API를 호출하면됩니다 그리고 우리는 그것에 대해 조금 이야기 할 것입니다 그래서 우리는 TPU 끝에서 시작할 것입니다 이것에 대한 유용한 사용 사례는 eBay입니다

그리고 이것은 그들이 최근에 한 일입니다 시각적 제품 검색을 할 수 있기를 원하는가? 다양한 유형의 카테고리에서이 작업을 수행 할 수 있습니다 많은 종류의 이미지에서 그래서 그들은 거기에 5500 만 개의 이미지를 가지고있었습니다 교육용 제품 세트에 10 억 개의 제품이 있습니다

검색 할 업체 목록 그래서 그들은 Cloud TPUs를 사용합니다 클라우드 TPU는 이미지 인식 기능이 뛰어납니다 이미지 인식 정확도가 향상되었습니다 10 % 씩 차이가납니다

비즈니스에서 큰 차이를 만듭니다 그러나 그들은 또한 스피드 업 시간을 늘렸다 클라우드 TPU를 사용하여 교육 시간을 100 배 늘릴 수 있습니다 이제 TensorFlow와 함께 할 수 있습니다 TensorFlow로 할 수있는 많은 것들

그것은 당신에게 많은 유연성을 제공합니다 그리고 이것의 좋은 예가 Ocado입니다 Ocado는 제품으로 다양한 작업을 수행했습니다 그러나 한 경우, 사기를 탐지하기 위해이를 사용하고있었습니다 그리고 그들은 사기 탐지를 위해 TensorFlow 모델을 만들었습니다

그들의 영국 최대의 온라인 식료품 가게, 많은 거래가있다 항상 일어나고 있습니다 그래서 그들은 사기를 탐지 할 수 있어야합니다 따라서 TensorFlow를 사용하여 15 배 증가 할 수있었습니다 사기 탐지 정밀도

그리고 이것은 많은 것들 중 하나 일뿐입니다 잠재적으로 도움을 줄 수있는 비즈니스 자동화 이제 AutoML을 살펴보면 AutoML을 사용하여 가장 큰 것들 고객에게 기계 학습에 많은 전문 지식이 없다 정말로, 정말 강력한 것들 그리고 이것의 좋은 예가 블룸 (Blum)입니다

Blum은 유럽 가구 제조업체입니다 그리고 그들은 모든 종류의 다른 종류의 경첩을 가지고 있습니다 그래서 그들은 AutoML을 사용하여 이 경첩을보고 이러한 경첩을 분류 할 수 있습니다 그들은 사내 ML 전문 지식이 없으며, 그들은 GCP를 사용한 적이 없습니다 그러나 5 주 만에 그들은 모델을 만들 수있었습니다

91 % 정확도 이제 우리는 빌딩 블록에 대해 조금 이야기했습니다 그리고 이것은 Google이 최선을 다한 많은 곳입니다 기술 곰 그리고 가장 강력한 것들 중 하나는 번역입니다

그래서 블룸버그의 아델라 퀴 논스 (Adela Quinones)를 환영하고 싶습니다 그들이 어떻게 번역을 사용했는지 우리에게 이야기하기 API [박수 갈채] 아델라, 조금 더 말씀해 주시겠습니까? 블룸버그와 블룸버그는 무슨 일을합니까? ADELA QUINONES : 물론입니다 Bloomberg는 금융 미디어 및 기술 회사입니다

우리는 뉴스 조직입니다 당신은 블룸버그 텔레비전이나 블룸버그 라디오를 보았을 것입니다 그리고 많은 사람들이 우리를 그렇게 생각합니다 그러나 우리 핵심에서, 우리는 정말로 기술 회사입니다 우리는 전 세계적으로 19,000 명의 직원을 보유하고 있으며 그 중 5,500 명이 엔지니어입니다

엔지니어링 분야에서 우리 회사의 1/4입니다 우리가 실제로 배우는 기계 학습에 대한 많은 전문 지식 독점적 인 문제, 문제 해결에 집중 금융 및 데이터 중심 따라서 우리는 이러한 유스 케이스에 초점을 맞추고 있습니다 기술 관점에서 RAJEN SHETH : 의미가 있습니다

그리고 당신이 직면 한 문제는 무엇입니까? 우리 제품을 어디에서 사용 했습니까? 그리고 전에 그걸 어떻게 풀었 니? 아델라 퀴논 : 네 그래서 우리의 최신 제품은 약 2 백만 이야기를 섭취합니다 하루 우리는 우리 자신을 생산하는 내용을 가져오고, 하루에 약 5,000 이야기, 그리고 또한 프리미엄 제공 업체의 콘텐츠 (예 : '뉴욕 타임스 (Times) "와"워싱턴 포스트 (Washington Post) " Twitter와 같은 소셜 미디어도 있습니다 따라서 우리 시스템에는 많은 컨텐츠가 포함됩니다

그리고 우리 고객들에게 밀리 초가 중요합니다 몇 밀리 초가 차이를 만들 수 있습니다 훌륭한 투자와별로 좋지 않은 투자 사이에 그래서 우리는 그 내용을 만들고 싶었습니다 우리 고객에게 실시간으로 해당 언어로 제공됩니다 그들과 가장 관련이있었습니다

뉴스는 현지입니다 그것은 현지 언어로 깨지고, 우리는 내용을 만들 수 있기를 원했다 고객이 이해할 수있는 언어로 제공됩니다 그래서 나는 당신에게 모범을 보일 것이다 푸에르토 리코에서 지방 채권 위기가 발생했을 때, 법정에 기자들이 있었다

메모를 작성하고 스페인어로 이야기 및 트윗을 게시합니다 많은 고객이 스페인어를 구사하지 않습니다 그래서 우리는 그 내용을 만들 수 있어야했습니다 영어로 고객에게 제공 또는 그들의 모국어 RAJEN SHETH : 그건 의미가 있습니다

그리고 그들이 푸에르토 리코에 있었기 때문에, 해당 콘텐츠를 직접 가져 오는 속도를 높일 수 있습니다 귀하의 고객에게 ADELA QUINONES : 정확히 말하자면, 우리는 실제로 좁히고 싶었습니다 뉴스가 나온 때로부터의 시간 어떤 언어로도 사용할 수 있으며 언어로 클라이언트에 제공 그들이 이해할 수있는 RAJEN SHETH : 의미가 있습니다 그렇다면 Google Cloud는이를 어떻게 해결할 수 있었습니까? 아델라 퀴논 : 네

그래서 2015 년에 우리는 번역 관점에서 사용할 수 있습니다 우리는 파트너를 찾고 싶었습니다 우리는 많은 콘텐츠를 가지고 있기 때문에 확장 할 수 있습니다 우리 자신의 요구 사항 때문에 큰 속도로 작동 할 수 있습니다 뉴스가 나오는 시간부터 100 밀리 초 이하입니다

우리가 사용자들에게 그것에 대해 경고 할 때 출판 된, 번역을 생성 할 수도 있습니다 많은 다른 언어로, 우리는 성장을보고 있기 때문에 전 세계 우리는 지원하고 생각할 수 있기를 원합니다 우리의 미래에 대해서 그리고 구글은 세 가지 측면에서 모든 박스를 실제로 확인했다

그리고 나는 정말로 멋진 다른 사람이 있다고 생각한다 Google 팀과 협력하는 것이 매우 쉽다는 사실이었습니다 Google API에 연결할 수 있습니다 그래서 순간부터 우리는 우리가 원한다고 결정했다 Google과 즉시 통합 할 때 그것은 우리 시스템에서 사용할 수있었습니다

그것이 2 주 미만의 시간이라고 생각하십시오 따라서 놀라운 전환점이었습니다 RAJEN SHETH : 의미가 있습니다 그리고 당신은 이걸 조금 만졌고, 하지만 왜 구글 대 다른 대안? 아델라 퀴논 : 네 나는 Google 번역의 품질에 대해 생각합니다

정말 높았습니다 우리는 2015 년 Google 번역을 통합했으며 신경 네트워크 번역이 도입되었습니다 그리고 그 시점에서 우리는 많은 언어의 품질 아주 좋았어요 그리고 어떤 경우에는 [INAUDIBLE]에겐 충분했습니다 그리고 나서 구글이 신경망 번역을 도입했을 때, 그것은 게임을 정말로 바꿔 놓았습니다

품질은 정말 훌륭했습니다 그리고 그것은 실제로 우리가 확장하는 것을 허용했습니다 주문형 뉴스 이상의 Google 번역 사용 다른 유형의 뉴스 번역으로 번역 RAJEN SHETH : 의미가 있습니다 큰

음, 우리는 정말로 그것을 정말로 고맙게 생각합니다 그리고 그것은 대단한 이야기입니다 ADELA QUINONES : 좋습니다 고맙습니다 RAJEN SHETH : 고마워요

[박수 갈채] 그래서 우리가 정말로 집중하고있는 부분 고객을 돕는 것뿐만 아니라 그 정맥에서, AI로 잘하는 것 그래서 저는 Fei Fei Li를 환영하고 싶습니다 우리의 수석 과학자, 당신에게 어떻게 이야기 할까? 우리는 AI로 잘하고 있습니다 [박수 갈채] FEI-FEI LI : 안녕하세요 모두들

따라서 인공 지능의 발전은 놀라웠습니다 Google에서 우리는 모두 노력하고 있습니다 좋은 인공 지능 기술과 제품을 제공하는 것 여러분 모두에게 긍정적 인 영향을 미칠 수 있습니다 오늘의 세션을 끝내고 싶습니다 AI의 책임 공유 그리고 그것을 호의적 인 기술로 만드는 방법

이미 우리의 노력에 대해 많이 들었습니다 우리 기술의 다른 측면에서 개발, 제품 및 전 세계에 걸쳐 있습니다 그래서 그것은 열망 일뿐 아니라 우리는 이런 기술이 가져야한다고 믿습니다 인간 사회에 호의적 인 영향, 그것은 또한 우리가 행동에 옮기고있는 것입니다 그래서 우리가하고있는 행동 중 일부를 당신과 함께 나누고 싶습니다

우선, AI 예제를 보자 특히 우리 모두가 가장 많이 보호 할 수 있도록 돕고 있습니다 귀중한 천연 자원 그래서 세계 야생 생물 기금과 네팔 정부 추적 할 카메라 네트워크를 구축했다 호랑이와 코뿔소와 같은 세계에서 멸종 위기에 놓인 동물

그러나 그들은 놓치기 쉽습니다 이 동물들은 그렇게 빨리 나오지 않습니다 그래서 그들은 때로는 몇 초 밖에 나오지 않습니다 한 번에 수십 대의 카메라가 모두 움직이는 것을 생각하면, 인간이 수동으로 모든 작업을 모니터링하는 것은 많은 작업입니다 이 동물들을 탐지하고 추적하고 발견하려고 노력하십시오

그것이 바로 기계 학습이 도움이 될 수있는 곳입니다 이제 두 개의 비디오를 보여 드리겠습니다 일반 개체 추적 및 탐지 방법을 보여주는 기술은 이것을 자동화하고 도울 수 있습니다 어렵고 지루한 과정 호랑이가 안개에서 벗어나고있는 것을 보게 될 것입니다

그리고 카메라에 가까워 질수록, 일반 물체 탐지 알고리즘을 배우는 기계 호랑이가 어디에 있는지 부를 것이다 그래서 나는이 호랑이가 배고픈 느낌 좋아,이게 나에게 감명을 주었다 왜냐하면 처음으로 나는 그것을 보았다, 나는 심지어 나오는 코뿔소를 보지 않았다 수풀의 다시 말하지만, 그것은 매우 작고 매우 복잡합니다

환경,하지만 우리의 일반적인 객체 탐지 알고리즘은 몸의 일부라도 코뿔소를 발견 할 수있었습니다 가려져 있었고, 다른 각도로 갈 것입니다 점점 더 작아지고 있습니다 그래서 기계 학습이 할 수있는 내 마음을 따뜻하게합니다 이것은 천연 자원을위한 것입니다

Diane의 기조 연설에 얼마나 많은 사람들이 참석했는지 모르겠습니다 어제 그녀는 친구 중 한 명이 바다에서 야생 동물 보호를하고있었습니다 그리고 오늘, 우리는 Janet Mann 교수 그녀의 작품에 대한 이야기를 우리와 함께 나누기 위해 무대에 올랐습니다 Google Cloud AI와 공동 작업, 바다에서 야생 동물 보존에

환영합니다, 재닛 교수 [박수 갈채] JANET MANN : 오, 그게 필요해 고마워 고마워, 여기 있으면 기쁘다 방금 종에 대한 정보를 얻었습니다

AutoML을 사용합니다 저는 개별 동물을 확인하는 것에 대해 이야기 할 것입니다 ML을 사용하여 야생 생물을 추적합니다 그래서 개인을 추적하는 것은 생물학의 중요한 부분입니다 자연 선택이 변형에 작용하기 때문에 개인 들간에

보전과 관리를 위해서도 중요합니다 그리고 대중에게도 호소합니다 개별 동물에 대한 그들의 매력의 관점에서 그리고 그들에 대한 관심 아마 당신이 몹시 화가 났고 슬픈 예가 될 것입니다 모두 친숙한 Free Willy는 Keiko라고도하며, 사람들이 잃어버린 원인으로 2 천만 달러 이상을 쓰고, 정말로, 그를 야생에 소개합니다

동시에, 범고래는 워싱턴주의 해안과 브리티시 컬럼비아 감소하고 있으며 멸종 위기에 처해있다 그래서 당신은 그 개인을 이용하여 사람들을 참여시킬 수 있습니다 그래서 이것은 아주 좋지 않은 예였습니다 그러나 그것은 개인이 얼마나 중요한지 보여줍니다 이 동물들을 이해하는데

시간이 지남에 따라 추적 할 수있는 종들이 많이 있습니다 그들의 얼굴에 의한 침팬지, 줄무늬에 의한 얼룩말, 치타는 줄무늬로 그들의 꼬리에, 그들의 배에 반점에 의하여 쥐 가오리 광선 및 고래 상어 또한 그들의 반점 모양에 의하여, 그리고 동맥에 의하여 두꺼비조차 등 뒤에서 와이오밍 두꺼비에 표시 그래서 이들은 개별적으로 독특하지만 안정적입니다 시간을 통하여 시간이 지남에 따라 변하는 개인은 어떻습니까? 그래서 코끼리는 귀로 식별됩니다

그리고 눈물은 시간이 지남에 따라 변합니다 향유 고래가 꼬리를 가린 것 – 그리고 실제로, 대부분의 고래 종은 그들의 우연에 의해 그리고 그 패턴은 시간이 지남에 따라 변합니다 그리고 Risso의 흉터와 등 지느러미에 의한 돌고래 그래서 30 년 넘게 저는 공부하고 있습니다

서호주의 돌고래들 꽤 멀리 떨어진 곳 우리는 거주 인구를 추적하고 있습니다 그리고 우리는 출생에서 1,700 명 이상을 추적했습니다 죽음

그들은 단지 거기에 산다 이것은 Bytefluke입니다 보시다시피, 지느러미가 바뀌 었습니다 제가 일하는 곳은 상어 베이입니다 그래서 돌고래들은 상어들에게 물려받습니다

지느러미는 시간이 지남에 따라 변합니다 그런데 Bytefluke, 10 년 전 구글이라는 종아리가있었습니다 그리고 구글은 여전히 ​​살아있다 그는 10 살이며 친구가 누구인지 알아냅니다 그리고 나서 여기에 팬텀 (Pantom)의 딸인 좀비 (Zombie)가 있습니다

2011 년에 태어났다 그리고 보시다시피, 좀비의 지느러미는 상당히 극적으로 변했습니다 4 년 만에 그래서 우리는이 동물들을 압니다 그리고 우리는 그것들을 추적 할 수 있습니다 그리고 기본적으로, 모르는 동물을 어떻게 추적합니까? 그래서 나는 너를 세계의 다른 지역으로 데려다 줄 것이다

하지만 먼저 나는 수만명을 주었다고 말하고 싶다 Google AutoML 팀에 사진 업로드 동물을 추적 할 수있는 무언가를 만들 수 있도록 우리는 훨씬 덜 알게됩니다 그래서 그것은 훈련 데이터 세트였습니다 그리고 그것을 세계의 다른쪽에 가져 가라 포토 맥 체사 피크

예, 포토 맥에는 돌고래가 있습니다 포토 맥이기 때문에 대통령, 부통령, 창립자의 이름을 따서 명명했다 아버지, 첫 번째 가족 그래서 이것은 우리가 본 Hubert Humphrey입니다 포토 맥에서 3 년간 그리고이 동물들이 어디로 가는지 알아 내려면, 그들은 일 년 중 약 6 개월 동안 만 거기에 있기 때문에, 우리는 그들이 어디서 겨울을 보길 원합니다

그리고 다행히도 과학자들은 등 지느러미를 모으고 있습니다 서양 대서양 전역의 동물 사진 그래서 이것은 대서양 중부에 모였습니다 Bottlenose 돌고래 카탈로그 그래서 우리의 도전은 우리가 포토 맥 체사 피크 돌고래와 일치해라

이 다른 위치들 AutoML을 사용하여 예제를 보여 드리겠습니다 그리고 이런 식으로 우리는 중대한 문제를 일으킬 수 있습니다 그들의 생물학에서 조지 메이슨입니다

권리 장전 (Bill of Rights) 당신이 관심이있는 경우에 대비해서 그러나 그는 2017 년 2015 년 포토 맥에서 사진을 찍었습니다 이것이 그 모양입니다 그래서 AutoML을 통해 이미지를 실행했습니다 우리는 Mid-Atlantic Bottlenose Dolphin에 대해 테스트했습니다

목록 그리고 여기에서 볼 수 있듯이 처음 나온 두 개 실제로 조지 메이슨이었습니다 노스 캐롤라이나 연안에서 보았습니다 2008 년 및 2010 년 그래서 이것은 실제적으로 10 년 차이입니다 이 동물이 보였을 때부터

그리고 이것이 얼마나 효과적이었습니다 그래서 Google AutoML을 통해 개별 돌고래를 식별 할 수있었습니다 초 그리고 이것을하기 위해서 – 우리는 일반적으로 동물에 대한 우리의 매치를합니다 우리가 알고있는

그러나 우리가 모르는 동물들에게는, 이 기술을 사용하여지도를 만들 수 있습니다 다른 지역의 동물들에게 개인을 마이그레이션합니다 그리고 이것은 우리에게 인구에 대해 많은 것을 알려줍니다 보존 목적으로 그래서 Google에 도움을 주신 Google AutoML에 감사드립니다

그리고 무대를 Fei-Fei에게 돌려 줄 것입니다 고맙습니다 FEI-FEI LI : 감사합니다, Janet [박수 갈채] 그것은 놀라운 일입니다 내가 처음봤을 때가 아니야

그러나 놀라운 결과를 볼 때 내 마음이 뛰고 있습니다 그래서 우리는 지난 이틀 동안 너와 나눌 시간을 보냈다 AI가 산업에 권한을 부여 할 수있는 방법에 대한 우리의 열의, 삶이 잘 작동 할 때 적용됩니다 그러나 권력은 책임을 요구합니다 그리고 그것은 우리의 공동 책임입니다 이걸 자비로운 기술로 만들려고 올해 초 구글은 AI 원칙을 발표했다

우리 회사의 업무와 AI 개발을 안내합니다 우리가 중요하다고 생각하는 일들을하는 것 우리의 가치를 고수하십시오 그래서 오늘, 나는 무대 위에서 환영 할거야 당신과 대화를 나눌 두 명의 동료, 책임있는 인공 지능을 어떻게 개발할 수 있는지, Google뿐만 아니라 귀하를 초대합니다 왜 우리 모두에게 중요한지에 대한이 대화에 책임있는 AI 개발에 관한 엔터프라이즈 비즈니스 과학 기술

제발, 트레이시와 섀넌 [박수 갈채] 그래서 섀넌부터 시작하겠습니다 나는 그녀의 생체를 한 마디 씩 읽을거야 이것은 정말 인상적이기 때문입니다 Shannon Valor 교수는 기술 윤리 학자입니다

McAdam 철학 교수 산타 클라라 대학에서 2003 년부터 가르쳤다 섀넌은 AI의 윤리적 의미에 대한 전문성을 가지고 있습니다 및 로봇 공학 그녀는 이사회에서 봉사합니다 책임있는 로보틱스를위한 비영리 재단의 AI에 관한 IEEE의 글로벌 이니셔티브의 멤버이며, 다수의 상을 수상했습니다

그녀는 옥스포드 대학 출판사에서 2016 년 책의 저자이며, "기술과 덕목 – 미래를 향한 철학적 가이드 " 그리고 지금 발표하게되어 너무 기쁩니다 Shannon이 Google Cloud에 가입했습니다 팀은 책임감있는 AI를 개발하는 측면에서 우리와 함께 할 것입니다 환영 하네, 섀넌 SHANNON VALOR : 감사합니다, Fei-Fei

[박수 갈채] FEI-FEI LI : 그리고 Shannon 옆에 앉아있는 것은 Tracy Frey입니다 나는 트레이시가 내가 좋아하는 동료 중 한 명이라고 말해야한다 Google 나는 우리가 무대에 서기 때문에 이것을 말하는 것이 아닙니다 그러나 그녀의 에너지, 도덕적 책임감, 그녀의 전문 지식 문제들, 그리고 도전들, AI가 고객에게 가져올 수있는 기회 경이로운 일입니다

그리고 그녀는 클라우드 AI의 시장 진출 전략가입니다 그래서 우리는 많은 시간을 보내지 않습니다 하지만 우린 여기서 너와 대화 할거야 몇 년 동안 그 대화를 열어보고 싶습니다 중요성에 대해 함께이 여정에 와서 이 주제의 그래서 나는 Shannon으로 시작할 것입니다

AI의 윤리는 왜 기업 기업? 샤논 발로 : 네가 가진 것 같아 대중의 신뢰가 있음을 인정하는 것 어떤 기업이 필요로하는 가장 중요한 것 중 하나 생각하고, 벌 필요가 있습니다 기술에 대한 대중의 신뢰가 불안정한 기반 위에 있습니다 요즈음 그리고 많은 회사들이 생각 해보니, 알았어, 어떻게 우리가 어떻게 경작 할까? 기술에 대한 대중의 신뢰를 성실하고 벌었습니까? 그리고 우리가 생각하는 것 중 하나가 알아야 할 것은 우리가 잠시 동안, 우리가 윤리적 문제를 일으키는 반응 모드에서 그 결과로 사회에서 특정 기술이 개발되거나 배치되며, 그리고 나서 우리는 뛰어 들어 그것을 고치려고 노력합니다

그러나 우리가 정말로해야 할 일은 뒤로 물러서십시오 우리가있는 곳으로 더 많은 예기 모드로 들어가기 시작합니다 조금 앞서가는 길을 보면서 우리는 문제가 어디에서 발생할지 생각하고 있습니다 그리고 우리는 다른 모든 종류의 엔지니어링에서 이것을 수행합니다 기술, 그리고 다른 종류의 문제와 개발, 스트레스 포인트가있는 곳을 미리 생각해보십시오

또는 몇 가지 합병증이있을 수 있습니다 이제 우리는 윤리적 전문 지식을 가져와야합니다 그 과정에 FEI-FEI LI : 좋습니다 그래, 반응을 이해하도록해라

사전 행동의 임베딩 AI에 대한 윤리적 책임 원칙 및 기술 조금 더 구체적으로 가려면 우리가 실제로 행동으로 옮기고 싶다 기업의 핵심 윤리 원칙은 무엇인가? 인공 지능을 연습하고있는 회사입니까? SHANNON VALOR : 글쎄, 네가 가진 것들 중 하나는 생각한다 당신의 진술 된 목표가 무엇인지 생각해보십시오 값? 그리고 지금, 나는 생각한다, 특히 대중의 신뢰가 올바른 곳에 주어진다

지금과 공공의 신뢰, 나는 공정성과 투명성을 생각한다 어떤 기업의 명시된 목표 중 두 가지가되어야합니다 대중의 신뢰를 얻고 자하는 조직의 그리고 저는 여러분도 가치에 대해 생각해야한다고 생각합니다 안전과 보안 같은 경우도 있습니다 도덕적 가치인가? 안전과 보안은 보호에 관한 것입니다

사람들에게 중요한 것 우리가 저지른 가치관을 생각해보십시오 우리는 보존 할 수있는 시스템을 갖추고 있다고 정말 중요합니다 우리도 알아야한다고 생각합니다 우리가 가질 수있는 다른 종류의 속성들 우리의 결정, 심지어 우리가 종종하는 일 속도와 같은 기계적 속성 만 생각해보십시오

또는 정밀도, 또는 효율성, 이것도 가치가있다 그리고 우리는 그들과 같은 대화를해야합니다 우리가 윤리적 가치에 대해 내리는 결정과 우리가 보호받을 것을 위임 받았어 종종 매우 까다로운 트레이드 오프가 있기 때문에 속도와 효율성 같은 가치 사이에서 발생하는 정밀도 및 다른 종류의 것들 우리는 공정성, 투명성 등을 염려합니다 그래서 나는 거기에있는 것을 이해한다고 생각합니다

윤리적으로 중립적 인 결정이 아니라는 당신이 기술을 형성 할 때 이야기 할 때 만들어라 사회의 기관에 영향을 미치는 사람들의 삶, 윤리적으로 중립적 인 방법이 없다 또는 일련의 질문에서 자신을 분리하십시오 그래서 당신은 뛰어 들기 만하고 올바르게하기 위해 노력해야합니다 FEI-FEI LI : 그것을 받아들입니다

샤논 발로 : 당연히 FEI-FEI LI : 예 그래서 실제로,이 윤리적 인 인공 지능을 연습한다고 말하면서 원칙, 그래서 트레이시, 우리는 AI 원칙을 펼쳤다 올해 초 그리고 우리는 함께, 그리고 많은 동료들, 책임감있게 열심히 노력하고있다

우리 과정의 일부 그래서 나는 너와 우리와 함께 나누는 걸 좋아할거야 파트너 및 엔터프라이즈 동료와 공유 우리가하는 일 TRACY FREY : 그래 그리고 많은 것은 Shannon 처음 시작할 때부터 말하고 있었는데, 우리는 어떻게 초기 단계에서 그것을 생각합니까? 따라서 Cloud AI에서는 책임있는 AI 사용을 실제로 취했습니다

우리의 개발 프로세스의 목표로 삼았습니다 그리고 AI 원칙들과 함께 – 나는 모든 사람들이 읽을 기회가 있었으면 좋겠다 그렇지 않다면, 우리 웹 사이트에서 쉽게 찾을 수 있습니다 그러나 그것들과 함께 우리는 실제로 클라우드 AI 내에서 우리 자신의 인간 중심적 접근법, 이 그룹의 핵심 가치는 무엇입니까? 이들은 인간의 집합입니다 규모에 맞게이 기술을 개발할 예정이며, 이 그룹이 가장 관심을 갖는 것은 무엇입니까? 우리는 무엇이 중요하다고 생각합니까? 그 결과 나온 것은 용기, 성실, 연민, 및 충격

자,이 시장이 얼마나 빠르게 성장하고 있는지를 감안할 때, 내 말은,이 방의 크기조차도 또는이 컨퍼런스의 규모, 관심 수준 우리가 보았던 것과 빨리 그것이 얼마나 빨리 사용되고 있는지 – 사실과 많은 고객이 실제로 그것을 주어진 배포 된 솔루션의 일부로 자체 데이터를 사용해야하는 경우, 글쎄, 그게 정말 공정성 평가 야 특히 규모에 따른 윤리적 영향 기업의 기술 중 상당 부분을 차지하고 있기 때문에 실제로 복잡합니다 그리고 우리가 한 일은 우리가 정말로했습니다 신중하게 클라우드 AI의 작업 평가에 전념 그리고 그것을 정렬하는 목표로 정말 깊이있게 그 원칙을 가지고, 개발이 시작된 때부터, 끝까지 모든 것을 듣는다 고객 및 파트너가 전 세계에있을 때 FEI-FEI LI : 예를 들어 보겠습니다

이것을 반영한 클라우드 AI 제품이 있습니까? TRACY FREY : 네 그리고 확실히, 저는 그것이 우리 제품에 어디에 있는지에 관해서 생각합니다 우리는 여전히 많은 부분을 시작했습니다 그러나 예를 들어 AutoML에서도 포괄적 인 기계 학습을 만들기 위해 정말로 열심히 일했습니다 모든 고객에게 지금 제공되는 가이드 누가 AutoML에 액세스하고 있습니까? 그리고 우리는 제품을 만들기 위해 열심히 노력했습니다

모델을 만들면서 그런 다음 해당 가이드를 참조 할 수 있습니다 그리고 그것은 우리의 문서에도 주입되어 있습니다 그리고 결국 우리는 열심히 노력하고 있습니다 우리 모델의 도구 및 테스트, 투명성, 그리고 우리가 당신에게 제공 할 수있는 모든 종류의 것들, 우리가 고객에게 줄 수있는 도구의 종류 그들이 자신의 모델을 평가할 수있는 방법 이미 데이터에 무엇이 있는지 생각해보십시오 윤리적 관점에서 생각하는 법

FEI-FEI LI : 예 한 가지 – 우리 모두가이 경험을 공유한다고 생각합니다 – 인공 지능은 매우 초기 기술입니다 그러나 그것의 nascency와 더불어, 중요성 공정성과 책임있는 개발 및 사용 이미 제품에서 매우 중요합니다 그리고 많은 사람들의 마음에 Google에서도 이러한 많은 정보가 제공됩니다

책임있는 인공 지능을 만들기 위해 우리가 취하고있는 첫 번째 단계입니다 제작품 그래서 저는 섀넌에게 물어보고 싶습니다 대중의 신뢰에 관해서 대중의 신뢰는 목표가되어야하는 것이 아닙니다 우리가하는 일의 결과가되어야합니다

당신이 그렇게 말 했어요 Tracy에게서 이미 Google이 있다는 소식을 들었습니다 그것에 대해 조치를 취하기 시작했습니다 어떻게 이것을 유지할 수 있습니까? 우리는 어떻게 AI 원칙을지지합니까? 그리고 우리는 어떻게이 장기적 이익을 얻을 수 있습니까? 특히 AI 및 많은 다른 기술과 같은 기술이 빠르게 변화합니까? 샤논 발로 : 네 그리고 그것이 열쇠라고 생각합니다

긴 게임이며, 신속하고 쉬운 기술 수정 또는 신속하고 쉬운 소셜 픽스가 있습니다 그리고 인식하는 것도 중요합니다 기술이 진화하고, 사람들이 진화합니다 기술은 또한 다른 기술에 영향을 미치며, 때로는 놀라운 방식으로 상호 작용한다 다른 기술과 함께

끊임없이 변화하는 복잡한 웹이지만, 무엇을 관리 할 것인가? 그 웹에서 책임있는 방식으로 진행되고, 항상 거기에 있어야합니다 항상주의를 기울여야합니다 그리고 당신은 끊임없이 이것을보아야 만합니다 끝이없는 일로, 당신이 아닌 뭔가 끝내고 활을 묶어보고, 등을 돌려 걸어서 멀리,하지만 당신이 기대하는 무언가 기술 간의 상호 작용 분야, 사람들은 언제나 변화를 겪고 있습니다 신뢰할 수있는 방식으로 관리 결코 우리의 책임을 멈추지 않을 것입니다

FEI-FEI LI : 예 훌륭합니다 그래서 마지막 질문 하나, 섀넌 그래서 너는 네 인생의 대부분을위한 학자 였어 책과 이론, 그리고 철학에 관한 연구 기술 윤리

그러나 지금, 당신은 업계 세계로 한 걸음 나아가고 있습니다 모든 전문 지식과 지식을 실제로 활용할 수 있습니다 그게 너를 자극 하나? 샤논 발로 : 네 FEI-FEI LI : 너 그것에 대해 어떻게 생각하니? SHANNON VALOR : 물론 글쎄, 나는 늘 연습 지향 철학자였다

이론가보다 그게 부분적으로 제가이 주제들을 연구하려고 온 이유입니다 FEI-FEI LI : 나는 철학자가 모두라는 것을 몰랐습니다 실천 중심 SHANNON VALOR : 우리는 존재합니다

실천 지향적 인 철학자들입니다 존재한다 그들이해야 할 것보다 조금 적을지도 모른다 하지만 우린 밖에있어 하지만 아시다시피, 저는 엔지니어와 컴퓨터를 가르치고 있습니다

10 년 넘게이 문제에 대한 과학자 그리고 일하는 엔지니어들, 심지어는, 윤리적 원칙을 개발하는 방법에 대해 다양한 전문적 맥락에서 적용 할 수 있습니다 대부분의 연구 파트너는 사람들입니다 공학 및 컴퓨터 과학 분야의 전문가입니다 그래서 저는 이곳에서 매우 편안합니다 그러나 일반적으로 철학자들 사회가 그들을 필요로 할 때 준비가되어 있지 않다

우리는 무슨 소용입니까? 그래서 나는 저것에 플라톤과 친절하다 "플라톤의 공화국"을 읽었을지도 모르는 당신들 사회가 당신의 도움을 필요로 할 때이 모든 것이 있습니다 당신은 책을 내려 놓고 나서서 일을해야합니다 그래서 Google의 일에 지금 참여하게 된 것을 기쁘게 생각합니다 FEI-FEI LI : 글쎄, 나는 말할 수있다

우리는 모두 당신과 함께 일하게되어 기쁘다 그리고 조언을 구하십시오 네가 말했듯이, 그것은 장기간이며 여행이다 우리는 함께 나눌 것입니다 그래서 우리 시간이 다되었습니다

그리고 나는 더 나은 것이 있다고 생각하지 않는다 바로이 세션을 끝내는 방법 그 섀넌이 몇 년 전에 나에게 영감을 주었다 저는 청중에게 그녀의 이야기 중 하나를 듣고있었습니다 독립적 인 기계 가치가 없다는 것입니다 기계 값은 인간의 가치입니다

그리고 우리가 만드는 기술은 결국 그 기술이 될 것입니다 우리 모두, 우리 지역 사회, 우리 가족, 우리의 미래 세대 그리고 우리는 당신을이 여정에 초대하고 싶습니다 자비 롭고 책임있는 AI를 개발할 수 있습니다 정말 고맙습니다

[박수 갈채] [음악 재생]

How Ocado Leveraged AI on Google Cloud to Transform their Retail Platform (Cloud Next ’18)

[음악 재생] 닉 마틴 : 안녕하세요 나는 닉 마틴이다

저는 영국의 소매업을위한 Google의 클라우드 비즈니스 팀장입니다 그것을 만들기 위해 잘하게 여기에 오전 9시 Google NEXT 컨퍼런스의 마지막 날에 우리는 경쟁이 치열하다는 것을 알고 있습니다 어제 밤 파티에서 그리고 또한 기조 연설에서 그 순간에 자리를 잡았고, 그렇게 잘되었습니다 이 세션을 선택해 주셔서 감사합니다 오늘 아침 우리 랑 시간을 보내고 싶어

통찰력으로 세션을 시작하고 싶습니다 소매업 자의 가장 중요한 자산으로 – 쇼핑객 오늘날 쇼핑객은 호기심 많고 까다 롭고 참을성이 없습니다 구매자는 귀하의 비즈니스에 더 많은 접점을 가지고 있습니다 그 어느 때보다도

그들은 귀하의 웹 사이트를 방문합니다 그들은 당신의 앱을 사용합니다 그들은 당신의 육체적 인 상점에옵니다 고객 서비스 라인에 전화하십시오 포인트 제도에 가입하고 YouTube 동영상을보고, Facebook 페이지에 들러 전자 메일, 목록, 그리고 더

또한 광고를 보게됩니다 검색, 사회, 비디오, TV, 라디오, 인쇄 및 집 밖에서 따라서 이러한 상호 작용은 부를 창출합니다 고객 정보 그리고 그들이 당신의 사업에서 원하는 것 비즈니스에 좋은 소식이 있습니까? 음, 그 정보가 효과적으로 사용되지 않습니다

실제로 Google이 실시한 공동 연구에 따르면 그린버그와 함께, 최소한 62 %의 사람들 브랜드가 구매 내역을 사용할 것으로 기대한다 그들에게 개인화 된 경험을 제공합니다 그러나 현재 42 %만이 대부분의 브랜드가 현재하고 있다고 생각합니다 왜 그런가요? 전달하는 것이 불가능한 일입니까? 모든 접촉에서 관련성 있고 개인화 된 경험 포인트? 이것을 막을 수있는 이유는 무엇입니까? 일반적으로 조직의 데이터 많은 곳곳에 퍼져있다 광고 캠페인, CRM 시스템, 고객 서비스 블로그, 웹 사이트 / 앱 분석, 충성도 프로그램, 그리고 더 많은, 더 많은합니다

따라서 이것은 매우 어렵거나 매우 어려울 수 있음을 의미합니다 각 고객의 단일보기 따라서 거의 60 %의 마케팅 담당자가, Forrester에 따르면, 그것이 남아 있다고 다양한 비즈니스 기능에 이해 관계자를 부여하기 어렵다 데이터 및 필요한 통찰력에 대한 액세스 그리고 그것 없이는 어떻게 진정으로 개인화 된 경험담? 그러나 그러한 경험을 제공하기 위해 고객이 지금 기대하는 조직, 조직 매우 다른 접근 방식을 취할 필요가있다 핵심은 모든 데이터를 보유해야한다는 것입니다

일부 데이터 만이 아닙니다 한 곳에서, 구조화되고 구조화되지 않은, 모든 다른 유형 한 곳에서 나면 잠금 해제 할 수있는 위치에 있습니다 그것이 제공하는 가장 가치있는 통찰력 클라우드 솔루션을 사용하면 데이터 저장소를 무너 뜨릴 수 있습니다

당신이 더 잘할 수 있도록 당신의 데이터를 조직하십시오 더 나은 통찰력을 얻기 위해 그것을 분석하고 활성화하라 그리고 더 나은 예측 결과를 이끌어냅니다 적극적으로 활동하는 많은 조직과 이야기합니다 인공 지능 통합 작업 데이터 분석 전략에 대한 기계 학습 등이 포함됩니다

그러나 대다수의 조직 AI 이니셔티브의 가장 초기 단계에 있습니다 Gartner 조사에 따르면 CIO 조사 작년에 CIO 중 단 4 %만이 현재 조직 내 AI가 진행 중입니다 그러나 이것은 빠르게 변화 할 것으로 보인다 향후 2 ~ 3 년 동안 실제로, 그것은 2020 년까지 고려되었으며, 조직의 85 % 이상이 파일럿 프로그램에서 인공 지능 프로그램을 갖게됩니다 또는 동작 모드 일 수있다

왜 그런가요? 글쎄, AI를 채택하기 위해 고객은 많은 도전에 직면 해 있습니다 기술 – 인공 지능을 처리하는 데 필요한 규모는 엄청납니다 운영 관점에서 보면 적절한 전문 지식을 갖춘 인재가 필요합니다 그러나 그 사람들이있는 단체는 거의 없습니다 그들은 희소 한 품종입니다

현재까지 용어로는 매우 좁은 공구 및 도구 제공하고 필요한 옵션 중 많은 전문성 현실적으로 AI는 매우 소수의 사람들의 손에, 아주 소수의 조직 지난 수십 년 동안 그리고 그것들은 심층적 인 계산 능력을 가진 사람들입니다 자원, 훈련 및 전문 지식 기계 학습에서 조직 기술 지향적입니다 따라서 새로운 접근 방식을 채택해야합니다 인공 지능과 같은 기술을 채택하고, 하지만 그렇게하는 것은 운영상의 큰 도전입니다

Google Cloud가 제공되는 곳입니다 Google 클라우드는 Google의 공개 클라우드 컴퓨팅 비즈니스입니다 다양한 제품과 서비스를 제공합니다 AI를 대규모로 제공합니다 그렇다면 왜 AI 용 Google을 선택해야합니까? 우리는 엄청난 규모와 동일한 컴퓨팅 성능을 제공합니다

Google 검색, Gmail,지도, Android 및 기타 10 억 명이 넘는 사용자 오늘 우리는 고성능, 글로벌 인프라를 제공합니다 Google 기술을 활용 한 서비스로서 및 서버, 프로세스 및 사설 광섬유 네트워크, 혁신의 범위와 기술의 품질 Google 데이터 관리, 분석, 인공 지능 클라우드 AI에 대한 맞춤 설정 해결책을 취하기 위해 우리가 취할 수있는 해결책 우리가 혁신을 개발할 실험실 우리 전문 서비스 기능 및 광범위한 비즈니스 파트너 Google이 가지고있는 정보는 조직에 AI 기능 제공 생산성을 향상시킬 수 있습니다 우리는 AI 기계 학습 도구의 스펙트럼을 제공합니다

그리고 당신은 이들 중 일부가 더 발표 된 것을 들었을 것입니다 이 회의 도중 그리고이를 통해 귀사는 귀사의 기능 및 기술 세트, 그리고 고객의 큰 자산에 대한 정보를 제공합니다 한쪽 끝에서 미리 훈련 된 out-of-the-box 모델 사내 전문 기술을 실제로 갖고 있지 않은 회사의 경우 그리고 사전 훈련 된 모델을 사용할 수 있습니다 비전 API, 비디오 API, 비디오 분석, 자연 특정 경험을 제공하는 언어 API 또는 번역 API 귀하의 고객에게

규모의 다른 쪽에서는 구글의 시장을 선도하는 오픈 소스 머신을 가지고있다 학습 엔진 TensorFlow 데이터 과학자가 자신의 모델을 만들어 해결할 수있게합니다 비즈니스 내에서 고객이 직면 한 문제 중간에 서비스 관리를 제공합니다 두 세계의 장점을 제공하는 클라우드 ML과 같은 함께 사용하면 특정 용도로 모델을 사용자 정의 할 수 있습니다

우리의 관리 서비스를 사용하여 테스트, 클라우드에서 모델을 만들고, 훈련하고, 확장 할 수 있습니다 자, 충분 해 당신이 정말로 여기에있는 것은 고객이 누구인지를 듣는 것입니다 해왔다 모든 것을 삶으로 가져 오기 위해서, 나는 절대적으로 소개하고 무대에 오신 것을 기쁘게 생각합니다

Ocado Technology의 책임자 인 Jonty Angel Google Cloud의 좋은 친구입니다 Jonty [박수 갈채] JONTY ANGEL : 고마워 여보세요 니콜 마틴 : 그러니, 존티, JONTY ANGEL : 네

닉 마틴 : – 오카도 사업에 대해 설명해 줄 수 있어요 우리를 위해 Ocado에 관한 모델과 조금? JONTY ANGEL : 물론입니다 그래서 내가 받아 들여야 하나? 고맙습니다 시원한 그래서 첫째로, 여기에서 나를 보내 주셔서 감사합니다

San Fran에 머무르는 것은 언제나 좋습니다 날씨가 믿을만하지 않습니다 나는 그것이 약 36의 정도와 열인 런던에서 들어왔다 파도 그러나 여기에 있으면서 모두와 함께하는 것이 좋다

오늘 아침에와 주셔서 감사합니다 어제 밤 파티 후에 알았어 깨어나서 오전 9시 세션에 오는 것은 쉽지 않을 것입니다 그리고 그 소개에 대해 고마워, 닉 질문에 대답하기 위해 Ocado는 무엇입니까? Ocado의 비즈니스는 무엇입니까? 오카도에 대해 들어 본 손으로 또는 Ocado와 상호 작용 했습니까? 그래 좋아

그래서 그것은 말하고있는 동료들도 의미합니다 다른 세션에서 좋은 일을 해냈습니다 손이 좀있어 누가 전에 Ocado를 사용 했습니까? 그래서 손이 거의 없습니다 그래서 기본적으로 Ocado는 높은 수준에서, 정말 두 사업체의 융합입니다

한편으로는 소매업이 있으며, 당신이 영국에 살았다면, 또는 실제로 그 서비스를 사용했거나 런던으로 왔습니다 밴의 일부를 보았을 때, 당신은 온라인 식료품 슈퍼마켓을 운영한다는 것을 알고 있습니다 우리는 주문을받습니다 그리고 일련의 공급망 활동을 통해, 우리는 사람들의 집에 명령을 내린다 사실, 우리는 그 이상으로 나아갑니다

우리는 부엌에 들어가서 부엌으로 배달합니다 따라서 완벽한 엔드 투 엔드 서비스입니다 식료품 점을 배달 할 수있는 곳 1 시간 단위로 그것이 소매점의 비즈니스입니다 그리고 우리에게는 기술 사업이 있습니다 실제로 실제로 켜기 만하면됩니다

지난 몇 년 동안 공공의 눈으로, 기술 사업은 플랫폼 구축에 중점을 둡니다 소매업에 도움이됩니다 중요한 것은 모두 일어나고있는 학습의 소매 사업에서 모든 특정 고객 요구 사항 및이 실시간 피드백 루프 소매 고객이 상호 작용할 때 얻을 수있는 이점 Ocado 브랜드 여기 당신이 가진 것은이 독특한 융합입니다 놀라운 의견을 가진 두 비즈니스 루프는 실시간입니다

그래서 한쪽 편에서 우리는 배우고 있습니다 우리는 온라인 슈퍼마켓을 가지고 있기 때문에 고객으로부터 그리고 다른면에서 우리는 기술을 구축하고 있습니다 해당 서비스를 지원합니다 그러면 Ocado는 누구입니까? 따라서 Ocado는 세계 최대의 전용 온라인 식료품 점입니다 소매업 자

우리는 600,000 명이 넘는 적극적인 쇼핑객을 보유하고 있습니다 우리는 50,000 이상의 SKU 범위를 가지고 있습니다 자동화 된 4 개의 창고에 걸쳐 그리고 우리는 일주일에 약 25 만 건의 주문을받습니다 따라서 상점이없는 온라인 전용 비즈니스의 경우, 그건 꽤 큰거야 당신에게 이해를주기 위해서 주문 수의, 이것은 그림이다

Sony의 광고를 통해 실제로 샌프란시스코에서 촬영되었습니다 브라비아 그들은 거리로 튀는 공을 많이 내 놓았습니다 그리고 실제로, 그들은 250,000 구슬을 풀었습니다 그래서 당신에게 종류의 종류에 대한 관점을주기 위해서입니다

자동 주문을 통해 일주일 내 주문을 처리합니다 시설 그러고 나서 렌즈를 가져와보고 우리의 기술인 두 번째 비즈니스를 통해 비즈니스, 질문, Ocado Smart Platform이란 무엇입니까? 따라서 이것은 모듈화되고 확장 가능한 소프트웨어 및 하드웨어입니다 플랫폼, 세계 최대의 소매 업체 배치 온라인 그래서 우리는 현재 일부 파트너가 있습니다

당신은 언론에서 보았을 것입니다 지난 1 년 정도에 걸쳐 출시됩니다 누가이 플랫폼에 종사했는지 플랫폼 도움이하는 일은 완벽한 엔드 – 투 – 엔드 서비스 제공 귀하의 소매업을 위해 여기에는 세 가지 주요 활동이 있습니다 우리는 엔드 – 투 – 엔드 플랫폼에 초점을 맞추고 있습니다

첫 번째 활동은 쇼핑 활동입니다 그래서 우리는 고객이 웹 사이트에 올 수 있고 사이트에 참여할 수 있습니다 상점, 즐겨 찾기 추가, 기타 등등, 바구니를 만들어라 완료되면 우리는 그 명령을 이행해야합니다 그래서 우리는 그것을 골라야합니다

우리에게는 자동화 된 시설이 있습니다 또한 매장 내 피킹 시스템도 있습니다 그리고 나서 그 명령이 뽑히고 성취되면, 우리는 고객에게 전달해야합니다 그래서 세 번째 부분은 배달입니다 그리고 그것이 우리가 밴을로드하는 곳입니다

독점 라우팅 시스템과 알고리즘을 사용하면, 우리는 사용자들에게 식료품을 배달합니다 클릭 및 수집 형식의 포털을 통해 제품 이미지에서 볼 때, 플랫폼이 무엇인지 주위를 둘러 보는 것이 훨씬 쉽습니다 이 삼각형으로 나눠보십시오 내가 말했듯이, 당신은 쇼핑을했습니다 삼각형의 상단 절반에서 경험

전자 상거래 활동을 담당합니다 그런 다음 당신은 우리의 성취 삼각형을 효과적으로 가지고 있습니다 또는 그 명령을 수행 할 책임이있는 모듈 그리고 당신은 우리 배달 모듈을 가지고 있습니다, 고객에게 보낼 책임이 있습니다 그리고 그들은 모두 핵심과 함께 개최됩니다

바구니 같은 것들을 책임지고있다 가격 결정 엔진 또는 특정 주문 관리 시스템, 등등, 등등 따라서 플랫폼은 실제로 모듈화되고 확장 가능합니다 또한이 슬라이드가 강조하는 부분은 나는 그들의 현재 능력을 나열했습니다 당신이 전통적으로하는 것들을 둘러싼 이러한 인터넷 공급 체인 시스템 중 하나에서 찾으십시오

또한 앞으로의 기회 사례를 강조했습니다 그래서 플랫폼은 우리는 혁신 할 수 있고 실제로 최첨단에 머무를 수 있습니다 예를 들어, IoT, 로봇 공학, 자율 주행 차량, 그것들은 우리가 관심이있는 모든 영역입니다 우리 플랫폼이 쉽게 참여할 수 있기를 원합니다 Jonty, 기술 플랫폼에 대해 언급하셨습니다

해당 플랫폼에 대한 통찰력을 공유 할 수 있습니까? 부서 및 일부 기계 학습 혁신 고객을 지원하기 위해 Ocado에서 구현 한 기능입니까? JONTY ANGEL : 가능합니다 그래서 그 질문에 대답하기 위해, 먼저, 너에게 줄께 기술 부문이 무엇인지에 대한 아주 높은 수준의 개요 Ocado에서 제가 말씀 드렸듯이, 우리는이 두 사업의 이야기입니다 소매 및 기술

그리고 우리가 설립 한 것은 그것이 단지 하나의 부문 이상이라는 것입니다 사실은 거의 자신의 회사와 같습니다 자체 사업 우리는 Ocado Technology를 보유하고 있습니다

그리고 그것은 소프트웨어 구축에 대한 책임이 있습니다 그게 Ocado의 힘 이네 그래서 우리는 Ocado Technology에서 일하는 1,000 명이 넘는 사람들이 있습니다 그리고 그 사람들의 절반 이상 컴퓨터 과학자, 엔지니어, 데이터 전문가, 기계 학습 전문가 그래서 우리는 이러한 기술을 가진 사람들에게 투자했습니다

우리 사업의 측면을 구축 할 수 있습니다 우리는 또한 유럽 사무소가 있습니다 우리는 폴란드에 개발자가 있습니다 우리는 실제로 거기에 두 개의 사무실을 가지고 있습니다 크라코프와 브로츠와프

바르셀로나에 사무소가 있습니다 그리고 불가리아에 소피아에 사무소가 있습니다 따라서이 사무실은 최초의 기술 사무소이며, 플랫폼 구축 그리고 우리 개발의 대부분은 영국의 하트 필드에서 일어납니다 Ocado Technology의 뒤편에는 정말 3 가지 핵심 원칙 원활한 경험을 쌓을 수있는 우리 고객을위한 플랫폼입니다 그것은 직관적이고, 효율적이며, 편리합니다

그래서 내가 직관적으로 말하고자하는 것은 우리의 웹 쇼핑 경험 또는 쇼핑 경험 매우 사용하기 쉽습니다 그래서 우리가 만드는 모든 것이 사용하기 쉬워야합니다 고객이 즉시 액세스 할 수 있어야합니다 실력 있는 우리가 일을 빨리하고 많은 일을해야하기 때문에 주문을 따기, 포장하기, 배달하기, 분류, 모든 종류의 이러한 운영 프로세스, 전반적으로 우리는 효율적이어야합니다

그래서 우리는 효율적으로 규모면에서 효율적이어야합니다 그리고 실제로 비디오가 있습니다 최신 창고 중 하나를 보여 드리겠습니다 우리가 우리를 도울 수있는 로봇을 어떻게 만들고 있는지 보다 자동화되고 효율적입니다 그리고 편리합니다

글쎄, 나는 배달 드라이버 중 하나에 대한 사진을 가지고있다 그리고 이것이 실제로 의미하는 바는 우리가 필요로하는 것입니다 그렇지 않은 소프트웨어 및 응용 프로그램을 빌드하는 그냥 위대하고 빠르며 시장에 나와 있습니다 신속하게 고객의 손에, 그리고 혁신적인 그들은 편리하고, 사용하기 쉬우 며, 편리해야합니다

직원들이 이해할 수 있도록 그래서 배달 드라이버가 문에 도착하면, 그들이 생각하고있는 첫 번째 일 사용자에게 훌륭한 경험을 제공하는 것입니다 기술에 매달리지 않아야합니다 따라서 기술은 그들에게 도움이 될 필요가 있습니다 그들이 일을 할 수 있도록 이것이 우리의 원칙 중 하나입니다

우리는 사람들이 쉽게 사용할 수 있도록 권한을 부여해야합니다 기술 자, 이러한 원칙을 달성하기 위해, 당신은 많은 백엔드에 투자해야합니다 기술, 많은 역량 그리고 Ocado가 수년 동안 해왔 던 것 – 실제로, 시작부터 – 이 부서들에 투자했습니다

우리는 일하고있는 많은 사람들이 있습니다 자동화 및 로봇 공학 분야 Google은 기계 학습, 모바일 앱 전문가를 보유하고 있습니다 개발, 라우팅 시스템, 데이터 과학, 클라우드, 비전 시스템, 시뮬레이션 내 창고 한 곳을 걸 으면, 당신은이 모든 것들이 서로 상호 작용하는 것을 보게 될 것입니다

이것이 기술 사업이라는 통찰력을 제공합니다 너는 그게 핵심이야 Nick의 요점과 이야기하기 위해, 우리를 위해, 우리는 기계 학습과 같은 기술에 막대한 투자를해야합니다 기본적으로 클라우드 기술을 사용하는 방법에 대해 설명합니다 우리는 Google, 그 투자가 우리에게 중요하기 때문에 혁신을 유지하고있는 다음 단계는 최첨단을 유지하고 새로운 시스템을 제공하며, 그 지능적인 개인화 된 경험을 구축하십시오

그리고 그것이 우리가되고 싶은 곳입니다 따라서 비즈니스로서 우리는 우리의 문화에서 이것이 우리가 앞으로 나아갈 수있는 방법입니다 여기에 비디오를 보여 드리고자합니다 플랫폼의 영역 중 하나 인 매우 인상적이라고 생각합니다

기본적으로 주문이 배달 될 준비가되면, 우리는 우리의 라우팅 시스템을 인계받습니다 주문을 내려야 할 곳을 파악하는 그리고 어떤 순서로 그리고 특별한 밴으로 그걸 거기로 데려 갈거야 여기서 실제 데이터를 기반으로 한 시뮬레이션을 볼 수 있습니다 사실은 그리고 그것은 하루 종일 지속되고 있습니다

당신이 볼 수있는 것은 모든 작은 핀 방울입니다 실제로 완료된 주문입니다 따라서 주문이 전달되면 작은 방울처럼 불이 붙는 것을 볼 수 있습니다 우리는 아마도 시뮬레이션에서 정오 경에있을 것입니다 또는 1:00 PM 런던이 약간의 핵을 얻는 곳, 저기서 활동을 볼 수 있습니다

그리고 다른 활동의 큰 패치 우리의 자동화 된 서비스 센터, 당신은 실제로 Dawdon을 볼 수 있습니다 우리는 거기에 큰 센터가 있습니다 Andover, 우리에게는 또 다른 것이있다 그러기 위해서, 우리는 투자해야합니다 기본적으로 우리에게 줄 수있는 알고리즘으로 지리 정보를 통한 가장 효율적인 라우팅 그 명령을 전달합니다

저쪽에있는 링크로 갈 수 있습니다 특정 라우팅 시스템에 대해 자세히 알아보십시오 내가 보여주고 싶은 두 번째 비디오 우리의 창고에서 우리의 최신 기술입니다 죄송합니다 내가 다시 가게 해줘

나는 그것을 클릭해야한다고 생각한다 오 [음악 재생] Andover Performance Center입니다 Oop Andover는 런던 남서쪽에 있습니다

그리고 여기서 볼 수 있듯이, 이것은보기입니다 그리드 또는 하이브 구조의 맨 위에서, 고밀도 스토리지 시스템입니다 그리고 당신이하는 일은 당신이 그리드를 바라 보는 것입니다 그리고 축구 경기장의 크기를보고 상상해보십시오 말 그대로 당신은 1,000 대가 넘는 로봇을 가지고 있습니다

이 그리드 위에서 다른 활동을하고 있습니다 그래서 로봇이하는 몇 가지 활동 제품이 공급 업체로부터 하이브로 가져온 경우, 기본적으로 포장을 풀고 배치하는 로봇 활동이 있습니다 그리드에 다른 활동들이 제품을 가져오고 있습니다 우리는 따기 통로가있는 그리드 영역으로 그리드 내에서 실제로 터널을 골라야합니다

제품을 배치하는 사람들이 있습니다 다른 바구니와 다른 종류로 그리고 로봇의 또 다른 기능은 그것은 실제로 내가 가장 지적이라고 생각하는 것입니다 모든 교대가 끝날 때 봇이 돌아갑니다 특정 알고리즘 또는 알고리즘 집합 그 (것)들은 그들이 가사를 할 수있게 해주고, 다음 주문 세트를 위해 그리드를 준비합니다

그래서 효과적으로 일어나는 것은 우리입니다 그리드에 항상 재고가 있는지 확인할 수 있습니다 올바른 장소에서 명령을 내린다 다음 배달 세트를 효율적으로 수행 할 수 있습니다 크기에 대한 아이디어를 얻을 수 있기를 바랍니다

그리고 그들은 뒤에서 충전소입니다 기본적으로, 봇이로 이동합니다 닉 마틴 : 꽤 인상적입니다 나는 그 DC를 방문하는 즐거움을 실제로 누 렸습니다 그리고 네가 말한다면 나는 말할 필요가있다

가서 방문 할 수있는 기회를 얻으십시오 가장 인상적인 설정과 많은 재미입니다 그럼, 존티, 우리를 데려 갈 수 있니? 어떻게 지내니? 기계 학습이 직접적으로 이루어지는 방법에 대해 우리를 데려 갈 수 있습니까? 고객에게 더 나은 구매 기회 제공 경험과 서비스? JONTY ANGEL : 네 먼저 고객에게 무엇이 이익이되는지 소개하기 위해, 우리가 바라는 세 가지 핵심 영역을 공유하고 싶습니다 하루 하루를 개선하는 것이 가장 좋습니다

우리는 인도가 제 시간에 이루어질 수 있도록해야합니다 정시에 배달하는 것이 더 중요합니다 그게 기대이기 때문에 다른 어떤 것보다 고객의 두 번째는 훌륭한 유통 기한입니다 따라서 모든 제품에 훌륭한 선반이 있는지 확인해야합니다 그들이 만료되기 전에 삶을 살 수 있도록 그리고 실제로, Ocado는 그것에 삶의 약속을 가지고 있습니다

그리고 거의 대체 할 수 없습니다 그래서 당신이 주문할 때, 당신이 주문한 제품을 원한다 다른 제품의 전체 목록을보고 싶지는 않습니다 우리는 거기에 던져 버렸습니다 주문한 제품이 필요합니다

따라서 우리의 공급망 시스템은 적절한 재고가 있는지를 효율적이고 정확하게 오른쪽 창고에 소매업 자에게 이익이된다면, 우리가 기술을 개발하는데 집중하지 않는다면, 그 때 그것은 많은 위험을 감수합니다 그들은 사업 운영에 효과적으로 집중할 수 있습니다 그래서 우리에게 발전 기회를줍니다 소매 업체가 혜택을 누릴 수있는보다 지능적인 시스템 예를 들어, 이점 중 하나는 낭비가 적다는 것입니다

고객의 여정에서, 우리는 제품을 제공하는 다른 메커니즘을 가지고 있습니다 여행을하는 동안 어쩌면 낭비 될 제품들 고객 여정에서 다시 제공 될 수 있습니다 고객을 아는 다른 사람이 있습니다 나는 나중에 조금 이야기 할 것이다 우리가하는 커스터마이징을 둘러싼 기계 학습을 통해 더 나은 이해를 얻으십시오

이전 주문을 기반으로 한 고객의 요구 사항 보다 개인화 된 경험을 제공 할 수 있습니다 그리고 여기에 몇 가지 다른 것들이 있습니다 이는 소매 업체가 얻는 전반적인 혜택을 더합니다 우리 플랫폼을 사용하지 못하게합니다 그래서 구체적으로, 당신의 질문에 대답하기 위해, 간단히 강조 할 두 영역 우리는 긍정적 인 영향을주는 기계 학습을 사용했습니다

고객 경험과 플랫폼 사기 탐지 및 사용자 정의에 사용되었습니다 그래서 여기에 작은 따옴표가 있습니다 왜 우리가 기계 학습을 사용하고 싶은지에 대한 동기를 공유합니다 사기 탐지 용 그리고 그것은 정말로 전부였습니다

어떻게 할 수 있습니까? 우리는 속도와 적응력이 있습니까? 우리가 인간이라면 사기성 활동을보고 시도하다 평가와 예측을 할 때 일어날 일 사기범들이 효과적으로 그들이 일하는 방식을 바꾼다 우리가 유지해야 할 부분이 정말로 필요합니다 그들과 함께 그래서 우리가 느낀 것은 이것이 완벽한 사용이라는 것입니다 기계 학습을위한 사례입니다

기계가 그렇게하도록하십시오 그리고 배경에 충분한 데이터가 있다면 엔진에 동력을 공급하기 위해 더 지능적이되고 어떻게 이해할 수 있을까요? 사기성 행동을 찾아 내기 사실, 제 동료들은 이것에 대해 좀 더 이야기했습니다 다른 세션에서 나는 그것이 어제다고 생각한다

더 기술적으로 설명하는 동영상이 있습니다 우리가 여기서 뭘하고 있는지 그러나 높은 수준에서 우리가 사용하고있는 데이터 세트 과거 주문, 이전 사기 사례, 과거 배달, 바구니 비용, 주문 항목 그래서 누군가가 효과적으로 존재한다면, 매일 아침 새벽 9시에 나도 몰라 술 마시고 그들은 단지 이러한 무작위 배달 장소에 배치되고, 사기 행위라고 생각할 수 있습니다

그러나 강력한 것은 이러한 모든 데이터 세트를 함께 사용하는 것입니다 당신은 새로운 트렌드를 얻고 새로운 아이디어를 얻습니다 그리고 당신은 실제로, 처음으로, 사기성 활동보다 앞서 나가십시오 사기로, 재미있는 무엇이, 우리의 고객 여행에서, 실제로, 우리는 사기 탐지를합니다 그 고객 여정의 프론트 엔드에서 그래서 효과적으로 쇼핑을 시작하기 위해 사이트에 입장 할 때, 우리는 이미 사기 수표를 조사하고 있습니다

사기 행위를 평가하기 시작했습니다 그 이유는 우리가 그 후에 일어나는 일이 사기가 아닌지 확인하십시오 우리가 사용하는 도구 중 일부는 정말로 Google Cloud의 전체 스택을 사용해보십시오 그래서 우리는 ML Engine, BigQuery, Cloud Storage, 및 TensorFlow 그리고 이것은 정말로 큰 프로젝트입니다

지금 우리 사업에 종사하고 있습니다 이 다이어그램은 전체 데이터 흐름을 제공합니다 마지막 섹션은 맞춤 설정입니다 다시 말하자면, 엔드 투 엔드 고객의 여정을 살펴보십시오 주문을 시작하면 쇼핑을 시작합니다 주문을 준비하고 나서 주문 완료까지 간다

체크 아웃 할 때, 우리가 발견 한 것은 진짜 방법입니다 고객에게 영향을 미치는 것은 그들을 보여주는 것이다 고객의 여정 끝에있는 것들 그것은 놀라운 경험을 할 수있게 해줄 것입니다 이제 기계 학습을 사용하여 작업을 수행 할 수 있습니다 우리가 그것을 고용 한 방식 때문에 우리는 고객에 대해 더 많이 알게됩니다

이전 주문 및 즐겨 찾기를 기반으로 그래서 우리는 체크 아웃의 마지막 페이지에서 그것들을 제공 할 수 있습니다 그들은 반드시 그들이 제공 될 수 있다고 생각하지 않을 것입니다 예를 들어 우리가 제공하는 페이지가 호출됩니다 다 떨어 졌니? 그리고 그것은 제가 언제나, 매 3 주마다, 접시 닦는 태블릿을 사다 그리고 나는 그 세 번째 주에 도착한다

지금 내 바구니를 완성한 곳 시스템에서 내가 가지고 있지 않은 것을 식기 세척기 태블릿, 나에게 알려줄거야 네가 이걸 다 쓰 다니? 이것들을 사기를 기대합니까? 놀라운 서비스입니다 그걸 내 바구니에 추가 할 수 있다면 그것을 보지 않고도 내 순서대로 그 후 오는 좌절, 나는 매우 행복한 고객이 될 것입니다 고객에게 이익이됩니다 제품에 불편을 겪지 않도록하는 것입니다

그들이 가게에서 나간다 그들이 그것을 잊어 버렸기 때문에 그래서 그들은 목적을 위해 상점을 운영하고 있습니다 때로는 나가는 제품도 있습니다 소매업자를 위해, 이것은 다량으로 유리하다

소매상이 더 큰 바구니를 만들려고하기 때문입니다 고객이 모두 행복하다는 것을 확인합니다 바구니의 크기가 커지고있다 그 필수 항목 그리고 다시 Google Cloud의 상당 부분을 사용합니다

이 기계 학습 엔진을 만드는 것 그래서 그것은 제가 오늘 취재하길 원했던 것입니다 그리고 내가 당신의 질문에 대답했기를 바랍니다 닉 마틴 : 그렇게 믿습니다 고마워, 존티

그게 음, 네가 할거야 나에게 동의해라 Ocado 비즈니스에 대한 환상적인 통찰력 모델 및 기술 및 기계 학습을 사용합니다

그래서 대단히 감사합니다 조티 천사 : 기쁨 닉 마틴 : 모두 참석해 주셔서 감사합니다 [박수 갈채] JONTY ANGEL : 고마워 [음악 재생]

Jeff Dean Explains how AI Speech Recognition Works

안녕! 제 이름은 제프 딘입니다 저는 여기 구글에서 인공 지능 연구를하고 있습니다

오늘은 Google을 사용할 때 커버 밑에서 일어나는 일들에 대해 이야기하겠습니다 Google 서비스를 사용하고 휴대 전화와 대화하십시오 시작하자 시작하기 쉬운 것을 해봅시다 그래서 제 전화가 잠 들어 있습니다

OK Google은 2 + 2가 무엇입니까? [OK Google] 대답은 4입니다 헤이, 그것은 꽤 쉬웠다! 그래서 대답을하기 위해 무슨 일이 일어나고 있는지 생각해 봅시다 그것은 당신을위한 매우 간단한 질문이지만 전화는이 특정 단어를 듣고 있어야했습니다 언제 내가 알았어 "OK Google"이라고 말하면 무언가를하고 싶어하므로 항상 그렇게 듣고 있습니다

내가 원하는 것을 원할 때 그것이 나를 도울 수 있고 듣기에 도움이된다는 것을 안다 우리 모두가 일어나기를 원했기 때문에 아주 적은 힘으로 끝내야했다 시간과 그 특정 문구를 듣고 있어야하고 다음 내가 ok 구글을 말하면 실제로 내가 말한 것을 조금 녹음한다 OK Google 2와 2는 무엇입니까? [OK Google] 내가 찾은 것이 있습니다 그리고 그것을 할 때 그것은 기본적으로 지금 갈 필요가 있습니다

그 녹음에서 내가 실제로 2 + 2라고 말한 단어 중 하나에 그것이하는 방식은 많은 사람들과 많은 사람들로부터 배우는 것입니다 사람들이 말하는 것을 녹음 한 다음 실제로 말한 내용 수백만 명 – 수천만 명 그것이 무엇인지 인식하는 법을 아는 것입니다 다른 사람이 다른 목소리로 여성 목소리로 말한 것 또는 남성의 목소리 나 내가 가진 것보다 다른 악센트를 가진 사람의 그래서 거기에 진행되는 많은 것들이 있습니다 그리고 나는 정말로 것들 중 하나를 생각합니다

모든 어려운 컴퓨터 과학 및 기계가 무엇인지 생각해보십시오 학습 및 AI 문제가 커버 아래에서 일어나는 정말로 원하는 정보를 얻을 수 있도록 도와 주시겠습니까? 우리도 OK google로 끝낼 수 있습니다 [OK Google] 사슴이 가장 좋아하는 댄스는 무엇입니까? 복용량 미상 안녕하세요, 감사합니다 이것을 즐거워하면 이러한 종류의 개념에 대해 배우고 공부해야합니다 왜냐하면 그들은 세계에서 매우 중요하기 때문입니다

Jeff Dean Explains how Google Indexes Webpages

안녕! 제 이름은 제프 딘 (Jeff Dean)이며 Google에서 인공 지능 연구를하고 있습니다 오늘 나는 너에게 말할거야

Google을 사용할 때 커버 아래에서 일어나는 일들에 대해 서비스를 받고 전화로 이야기하십시오 OK Google, 에펠 탑의 높이는 얼마나됩니까? [OK Google] 에펠 탑의 높이는 984 피트입니다 그래서 에펠 탑은 파리의 큰 타워입니다 나는 그 높이를 알고 싶었다 그래서 이것은 실제로 꽤 복잡합니다

우선 우리는 나가서 다른 웹 페이지를 모두 찾아야하기 때문입니다 에펠 탑과 그 밖의 모든 개념에 대해 이야기하는 세계 사람들은 Google 검색에 사전에 우리가하는 방식을 묻습니다 우리는 나가서 컴퓨터를 가지고 세계의 모든 웹 페이지를 가져옵니다 우리가 찾을 수있는 다음 페이지의 어떤 단어를 가지고 색인을 구축 그 페이지에는 에펠이라는 단어가있는 페이지가 있습니다 페이지에 트랙터라는 단어가있는 트랙터에 대해 배우고 싶었습니다

에펠 탑에 관해 묻고있는 것 그래서 지금 실제로 에펠 (Eiffel)과 타워 (Tower)라는 단어가있는 페이지를 찾을 수 있으며 이상적으로는 이상적입니다 에펠 탑이 우리 개념의 종류이기 때문에 서로 옆에 있습니다 그 다음, 내가 "얼마나 키가 큰가"라고 말했기 때문에, 나는 실제로 에펠의 높이를 원한다는 것을 안다

타워와 그 에펠 탑 페이지의 단어를 이해함으로써 실제로 어느 것이 키가 얼마나 큰지에 대해 이야기하고 있는지 파악하십시오 그것에 관한 다른 것들은 실제로 피더 미터에서 정보를 추출합니다 에펠 탑이 얼마나 큰지에 대해서