Google’s Deep Mind Explained! Self Learning A I

гледаш Хладну Фузију ТВ Поздрав на још један Хладну Фузију видео први пут у историји видети успешан развој и демонстрацију АИ опште намене име је алфаго и направљен је гугловом дубоком поделом алфагом АИ алгоритам јотукао човека на свету, најтежа игра ово је историјски тренутак у компјутерској науци и вештачкој интелигенцији, па шта тачно је Гугл дубоко одакле је дошло и шта је компанија вештачка интелигенција заправо ради у овом видеу, сазнаћемо рачунарски програм потукао је људски мозак древне кинеске игре завршна школа за једну тријумфальу вештачку интелигенцију опремљену људска интуиција пообеда програма над људима у древној игри на табли покренуо интригу и у неким случајевима брине о томе показује машину приближно одговарати људској интуицији и надмудрио најбољи људски мозак у игри то је нешто што научници нису очекивали да ће се десити бар још једну деценију и то је огроман скок завештачку интелигенцију која показује то машине могу саме научити Мислим да је можда игра завршила зато што изгледа изгледа да ова два рачуноводства не мислим да сте поднели оставку

Вов мислим да сте у праву си ово је бео тренутак када јечунар заван алфато потукао мајстора древних Кинеских игара није то први пут када је Велики Мајстор понизио машину, али оно што чини алфагом другачије је то што је то прва демонстрација да машине стварно могу да науче и размишљају на љусски начин, победу Алфа-а је шокирана стручњаци у вештачкој интелигенцији многи сматрају да је такав догађа био бар једну деценију, па прво неколико питања зашто је то важно и шта је све шупље алфато показује да машине стварно могу науче како тако добро науче уместо тога да користите расный силу да бисте израчунали све потезе може направити као претходно а алфаго користи учење јјчања и неуралне мреже које имитирају процес учења људског мозга имају на уму да Древна кинеска игра има много више могућих потеза од шаха колико и постоје атома у читавом универзуму, тако да нема начина да само израчунате све могуће је је кретање на табли што је ректично немогуће из овог разлога свети грал је АИ-а и вети да уарадимо такав задатак од огреботине је огроман Подизање ове дубоке умове креатори кажу да алгоритам може научити много више ствари без промене или смерница, другим речима, АИ је општа сврха увек смо говорили о томе шта ако бисмо на крају могли да пукнемо 그 (것)들과 изумети неке генеричке алгоритме опште намене тако да су пукли на ваху све то ако питате чудног играча због чега играју одређени потез понекад ће вем само рећи да се осећат у праву, тако да можете на један начин како бисте могли мислим да је то много интуитивнија игра, док је шах много више логике засноване игре тако да је дубок ум гугла дубоког ума је британска компанија за вештачку интелигенцију која је основана у септембру 2010 године као дубока уметност 2014 년 Гугл купио пуеменоване су када јехнологије године за пет година Стотину милиона долара занимљиво је било тек након тога Фејсбук је тек завршио преговоре са њима 2013 године и још једна забавна чињеница да је Елон Муск заправо инвеститор у компанију да их пратимо, наравно, дубоко је добио компанију године аадраду компјутерске лабораторије у Кембрџџу у 2014 години, тако да се дубок ум долазећи од дубоког ума, први пут јекренуо суоснивач од стране Демиса Хасабиса 2010 године Денис је био дечији геније различитих врста и отиша је ое шаховског чуда и достигавши мастер ниво у 13 години да постане водећи програмер Главе лав-а Студија за револуционарне игре попут црно-белих након што је наставио започети сопствени студио за игрице пре одласка да заврши додатне студије Универзитетском колеџу Л Лондону, овде ће се сусрести с будућношћу 2010 년에 кофунтери дубоког ума у

па какав је цен циљ дубоких технологија према њиховој веб страници њихов циљ јешити интелигенцију коју покушавају постићи ово комбиновањем најбољих техника из машинског учења и системске неуронауке за изградњу моћних алгоритама учења за општу намену или другим речима, желе формализирати интелигенцију сазнати шта је то и како функционише завршна игра није само да се имплементира ово у машине, али и разумеју демос људског мозга објашњавају даље цитира се покушај днсеиигенције у алгоритамски конструкт може се доказати да будемо најбољи пут до разумевања неких трајних наших мистерија На крају крајева цраа кључ је овде да је ова машина општа намена веома важно, али више о овоме касније, па како ово све функционише од АИ дубок ум користи технику под називом дубоко учвршћивање учења која га чини веома другачији од других АИС-а, као што је ИБМ Вотсон или примитиви теорија или Гугл сада се управо помиње само за предефинисана сврха и једина функција унутар њиховог делокруга, њиховог опсега дубине ума тврди то њихов систем није унапред програмиран и сазнаје из искуства користећи само сирове пикселе као улаз података тако да начин на који почињемо са тренингом алфаго је приказивањем а сто хиљада игара се играју јаки аматери које имамо преузели са интернета и прво у почетку добијамо алфаг имитирају људског играча, али наравно у крајој линији желимо алфаго ће бери јачи од људских аматера и да се такмиче са врхом стручњаци, тако да начин на који то радимо је када пређемо на ту прву верзију Научимо да имитирамо људску игру, онда му дозвољавамо да се игра тридесет милиона пута нашим серверима и коришћењемепојачања учи се да систем учи да се побољша постепено избегавајући грешке и повејавајући и побољшавајући се њ г о в завршиш са новом верзијом која може да победи стару верзију оригиналне верзије око 1897-ме технички је јејање који дубок модел слободног значења што значи да не треба структура или скуп правила за учење према мишљењу МИТ-а, Гугл алгоритам узима у обзир неуронску мрежу у теорији треба да имају могућност приступа спољној меморији на начин који имитира краткорочно сећање на људски мозак начин да се скоро чини као наш мозак дизајн бити најефикаснији начин застварање обокалне интелигенције који би погодио, тако је све добро шта је са овим термин опште намене шта то заправо значи добро јер је машина сазнаје из искуства и података који се могу изврсити увеликој варијанти задатака изван оквира, тако да је довољно говоро да погледамо систем у акцији учење како се иерра избацити и запамтити машину није имала никаквог предзнања о томе који задатак је требало да изврши схватити како све учинити само из сопственог искуства је машина пре тренинга, ово је буквално први пут када је машина икада видела овај ток података и контролише зелену ракету овде и то је и ти можеш видети да губи своја три живота одмах, тако да је у основи ужасно на утакмици каква би сада очекивала након тренинга преко ноћи га остављамо играти преко ноћи на нормалном рачунарском рачунару тако да се око 8 сати враћа ујуро и сада је надчовек тако да сада машина може да игра просторне освајече боље него било који човек моделирао света игара тако да је знао где је просторни ток направљен ово ће бети испред времена, тако да се окупатори простора убрзају када добијете мање од њих на екрану ради ватра завршно кратак је ретер предиктивног снимка где ће бити коначни Простор Освајача за неколико секунди, али је супер ствар када схватите како играти неке игре које ће моћи пренети ово знање и разумевање на више начина 1970 년 – их година и гре у овом тренутку дубок ум тренутно играју огре од 1970-их година и 80 – их, али слам као што је страшни суд који се појавио у раним деведесетим како би могао бити АИ опште намене корисно би волели да користимоо ове врсте алгоритама за ствари као што је здравствена заштита и науку и побољшати брзину открића у тим областима помажући људски стручњаци постижу више у низу интервјуа о којима је Денис разговарао апликације у здравственој паметној асистенцији и роботици апликације за општи АИ и неке рпеикације таквог АИ укључују везу за сервис за купце компјутерске визије финансија опште рачунарске науке и објављивање вести и писање АИ опште намене у ствари би могле бити огромне сматрати као још једну научну науку која меного слична као што је јенова физика положила основе за технологије као што су ракете наука основана уопште дигиталне неуралне мреже којисте умножавајуће учење могу поставити основе за незамисливе ствари у блиској будућности Добро, тако да јетово на карайу видео-снимка, али тлаба поставити једно питање а а и т т т постојање сада је аномалија којом смо превазишли границе природе технологија која нам помаже да олакшамо такав начин живота, вештачку интелигенцију је другачији разлог зашто је АИ прва ствар коју су људи створили има тенденцију да фавани начин на који не можемо предвидети, па треба да баринемо о мојимј веровањима да страх од непознатог је углавном оно што погађа хистерију која се појављује од анксиозности у И уеннама довољно в о манну овом видеу да прође кроз све теорије о томе како ствари могу изаћи, али то је је занимљива тема унутар сама веб страница чека, али зашто је прилично занимљива и свеобухватна Погледајте АИ немамо времена да истражимо све, али чланак не подиже а а љ доживавају експоненцнјнлну промену дуго времена људи неће узимати АИ озбиљно и чини се да је напредак веома спор, а онда одједном то би могло преболети наша необуздана очекивања један од метода које АИ може искористити зопостизање овог исхода, дајући себи способости за себе побољшање тако да следи законо убизавању повратка Стивен Хокинг и Елон Муск обојица показују своје резерве према АИ, али други воле 마약 중독 филм Терминатор за тренутак постоји могућност да АИ може бити човек највећи савезник који решава основне проблеме нашој планети и дозвољава нам да имамо технологију и инфраструктуру која би нас иначе могла учинити вековима ако покушамо сами да сазнамо, али са за сари сазна постоји могућност да АИ може бити злонамерна и да ће нас надмашити, али у овој фази ми т в н н тако да уоо овом тренутку нисам забринут, али опрезно оптимистичан као за дубок ум један од њихових услова након што је Гугл купио то што они успостављају Ал Етички Одбор и мислим да ће се већина нас сложити да је то опрезно одлука у свему можемо бити у историјској тачки критичну тачку вештачка интелигенција будућност могла да види дубоко неурално Учење и генерално наменски АИ у нашим паметним телефонима и рачунарима неки кажу да можемо чак и морају почети размишљати о читавој новој економији разлога да би АИ мога преузети пуно информационих интензивних специјализованих послова које остављају само посао су креативни или емоционални у природи нешто што ја никад не бих постигао искрено не могу рећи где ће све ово водити са сигурношћу, али онда опет мислим да нико не може ако погледаш макро слику у свему овога након много деценија настојања да изграде паметније рачунаре и алгоритме Испоставило се да је најбољи план био у нашим главама све време човек мозак, тако природно, да су наши умови толико способни, зависи само од тога како ми користимо тако да је то крај видео захвалности а л л њ њ њ оставите коментар и претплатите се ако сте нови, можда бисте желели да то учините ако сте е и 10 пратите упутствта на овом екрану поздрављате момке захваљујући за гледање и видећете поново ћете ускоро за следећи видео који је добар

Detecting cancer in real-time with machine learning

[음악 재생] DR MAHUL AMIN : 암은 없습니다

병리학이 무엇인지 이해하지 않고 치료했다 마틴 스 탬프 : 그 조직은 그 병리학자를 미끄러 져합니다 암 진단에는 방대한 양의 정보가 포함되어 있습니다 그것은 매우 시간 소모적이고, 매우 피곤합니다 DR

TRISSIA BROWN : 모든 세포를 검사해야합니다 때때로 암은 인식하기가 어렵습니다 우리는 현미경 프로젝트에 대한 아이디어를 가지고있었습니다 약 1 년 전 기존의 현미경에 증강 된 현실을 제공합니다

실시간으로 암을 탐지 할 수 있습니다 우리는 AI를 사용자에게 직접 가져오고 있습니다 그들이 지금있는 곳에서 그들을 만난다 DR JASON HIPP :이게 다가올 것 같아

거의 모든 병리학 자들이 접근 할 수 있도록 기계 학습 마틴 스턴크 : 몇 주 전에, 우리는 끝까지 끝내야 해 DR JASON HIPP : 카메라가있어서보고있는 중입니다 내가 보는 똑같은 일

정보가 컴퓨터에 공급되고 있습니다 수십억의 계산을하고 있고 저에게 말하고 있습니다 그게 종양이야, 그건 종양이 아니야 마틴 스 낫프 : 지금은 유방암을 감지합니다 및 전립선 암

그러나 다른 암 종류에서도 효과가있을 수 있습니다 우리가 모델을 훈련시키는 것 당신이 얻는 지식 현미경이 암을 암시 할 때 많은 병리학 자의 지식이다 모델에 대한 기계 교육에 기여한 사람 DR

JASON HIPP : 병리학 자 팀이 있었어 수천 개의 이미지를 거쳐 암세포가 어떻게 생겼는지 컴퓨터에 가르치기 DR TRISSIA BROWN : 나는 그것이 있다고 생각한다 관심 분야를 찾는 데 매우 효과적이었습니다

그것은 두 번째 의견을 얻는 것과 같습니다 DR JASON HIPP : 그것은 의사들을 훨씬 더 빨리 만들 것입니다 그들은 그것들을 더 잘 만들 것입니다 환자에게 전반적으로 도움이됩니다

마틴 스 탬프 : 임무는 정확성을 높이는 것입니다 암 진단의 유용성 및 가용성 사람들의 생명을 구하십시오 나는 동기 부여가되는 것을 거의 생각할 수 없다

Google Cloud Platform Learning Lab with Tigran Terteryan

그것은 당신이 만든 함수를 덤프하지 않습니다 즉, 데이터베이스가 삭제 된 경우, 당신의 기능은 사라질 것입니다; 당신은 그들을 사용할 수 없습니다

다른 클라우드 플랫폼과 마찬가지로, Google 클라우드 제공 다양한 유형의 서비스 다양한 IT 인프라 그들의 서비스를 제공 할 수있다 Google Cloud Platform을 사용하여 실험실의 초점은 클라우드 기술이었습니다 학생들은 Google Cloud Platform에 대해 소개되었습니다 그들은 도구 인 gcloud를 사용했습니다 Google Cloud Platform에서 사용되었습니다

그 외에, 학생들은 반드시 Google에 묶여 있지 않은 다른 도구를 사용했습니다 리눅스 머신, 리눅스 운영 체제, 그들은 HTML, PHP, MySQL 데이터베이스, iptables 방화벽, 및 DNS 소프트웨어 도메인 이름을 설정하는 방법 연결 실험실 리더가받을 수있는 최상의 결과 학생들이 그들의 임무를 수행 할 때입니다 예상보다 훨씬 뛰어납니다 다시 같이 일하기를 바랍니다 미래에! 감사!

What is Machine Learning?

YUFENG GUO는 : 세계는, 데이터 data– 많이 가득 사진, 음악, 단어, 스프레드 시트, 동영상, 그리고 곧 언제든지 속도를 느리게 것처럼 보이지 않는다 기계 학습은 약속을 제공합니다 의 모든 데이터에서 의미를 도출하는 단계를 포함한다

아서 C 클라크는 유명 한 번 말했다, "모든 충분히 고급 기술입니다 마법과 구별 " 나는, 기계 학습 마법 수 없습니다 발견 오히려 도구와 기술이 당신을 데이터와 질문에 대한 답변을 활용할 수 있습니다 이는 클라우드 AI 모험이다 내 이름은 Yufeng의 구오이며, 각각의 에피소드, 우리는 예술, 과학을 탐구한다 기계 학습 도구를 제공합니다

길을 따라, 우리는 얼마나 쉽게 볼 수 있습니다 그것은 놀라운 경험을 만드는 것입니다 가치있는 통찰력을 얻을 수 있습니다 기계 학습의 값은이다 단지 그 자체를 보여주기 시작 생성 된 오늘날 세계에서 많은 양의 데이터가 뿐만 아니라 사람들이뿐만 아니라 컴퓨터, 전화로 및 기타 장치 이것은 단지 앞으로 몇 년 동안 계속 증가 할 것입니다 전통적으로, 인간이 분석 한 데이터 데이터 패턴의 변화에 ​​적응 된 시스템

그러나, 데이터의 볼륨으로 능가 그것의 의미를 만들기 위해 인간의 능력 수동으로 그 규칙을 작성, 우리 자동화 된 시스템에 점점 켜 것이다 데이터로부터 중요한 배울 수있는, 데이터의 변화는 이동 풍경에 적응합니다 우리는 기계가 우리 주위의 모든 학습 참조 제품에 우리는 오늘을 사용합니다 그러나, 항상 분명하지 않다 그 기계 학습은 모든 뒤에 내부 태그 객체와 사람 같은 것들 동안 사진으로 명확하게 기계가 놀이 학습, 즉시 나타나지 않을 수있다 다음 비디오를 추천하는 것은 보는 것을 또한 기계 학습에 의해 구동됩니다 모든 물론, 아마도 가장 큰 예 Google 검색입니다

당신이 구글 검색을 사용 때마다, 당신은 많은 기계 학습 시스템을 가지고 시스템을 사용하고 핵심에서, 쿼리의 텍스트에서 이해 개인의 이익에 따라 결과를 조정하는, 검색 할 때와 같은 알고로하는 첫번째을 보여 결과 자바는 커피 전문가있어 여부에 따라 대한 또는이 developer– 아마 당신은 둘 다입니다 오늘날, 기계 학습의 즉각적인 응용 프로그램 이미 상당히 이미지 인식을 포함하여, 광범위한있다, 사기 탐지 및 추천 시스템, 뿐만 아니라 너무 텍스트 및 음성 시스템과 같은 이러한 강력한 기능이 될 수 있습니다 폭 넓은 분야에 적용 소매에 당뇨 망막 병증, 피부 암 탐지에서 형태는 물론, 교통 셀프 주차 및자가 운전 차량 그것은 그리 오래 전의 일이 아니다 회사 또는 제품이 한 때 자사의 제품에서 기계 학습, 그것은 신규 한 것으로 간주 하였다 이제 모든 기업은 기계 학습을 사용하는 피벗한다 어떤 식 으로든 자신의 제품이다

그것은 빠르게, 잘, 예상되는 특징이되고있다 우리는 웹 사이트를 가지고 회사를 기대 하듯이 모바일 장치 혹은 응용 프로그램에서 작동, 때 할 날이 곧 올 것이다 예상되는 우리의 기술은 것 맞춤 수, 통찰력과 자기 교정 우리는 더 빨리 더 나은 인간의 작업을하기 위해 기계 학습을 사용할 때 이전보다 쉽고, 우리는 또한 수 미래의 기계 학습에 더 찾을 우리가 작업을하는 우리는 결코 할 수 없다 도움이 될 수 있습니다 우리 자신에 달성 할 수 있었다 다행히, 그것은을 활용 어렵지 않다 기계의 오늘 학습 툴링은 꽤 좋은 얻었다

당신이 필요로하는 데이터, 개발자와 의지입니다 돌입을 촬영합니다 우리의 목적을 위해, 나는 정의를 단축했습니다 불과 5 글자 네요까지 학습 기계의 질문에 대답하기 위해 데이터를 사용하여 나는 그런 짧은 대답을 사용하지 것이지만 시험에 에세이 프롬프트, 그것은 우리를 위해 유용한 목적을 제공 이리 특히, 우리는 두 파트로 나뉘는데으로 정의를 분할 할 수 있습니다 데이터와 대답 질문을 사용 이 두 작품은 크게 두 가지 측면 개요 기계에 둘 다 똑같이 중요 학습

데이터를 우리가 훈련으로 참조 무엇인가하여, 질문에 대답하는 만들기로 언급되는 동안 예측 또는 추론 이제 조금에 대해 간략하게 그 양쪽에 드릴 수 있습니다 교육은 우리의 데이터를 사용을 의미 생성 및 예측 모델의 미세 조정을 통보합니다 이 예측 모델은 할 수있다 과거에는 볼 수 없었던 데이터에 대한 예측을 제공하는 데 사용 그 질문에 답합니다 더 많은 데이터가 수집 될 때, 모델 구축 시간과 새로운 예측 모델을 통해 향상시킬 수있다

여러분도 알다시피, 핵심 구성 요소 이 전체 프로세스의 데이터이다 모든 데이터에 달려있다 데이터는, 기계 학습을 잠금 해제의 열쇠입니다 기계 학습만큼 잠금 해제의 열쇠입니다 데이터에 숨겨진 통찰력 이것은 단지 높은 수준의 개요이었다 이 유용한 이유의 기계 learning– 및 해당 응용 프로그램의 일부 기계 학습은 광범위한 분야입니다, 기술 할 때의 전체 제품군에 걸쳐 데이터에서 답을 추론

미래의 에피소드 그래서, 우리는 당신을 제공하는 것을 목표로합니다 접근 어떤 좋은 감정 주어진 데이터 세트 및 질문에 사용할 당신은 대답뿐만 아니라 방법에 대한 도구를 제공 할 이를 달성하기 위해 우리의 다음 에피소드에서, 우리는 바로 뛰어들거야 기계 학습을하는 구체적인 과정에 보다 상세하게, 방법 단계별 화학식 거치지 기계 학습 문제에 접근한다 [음악 재생]

Past, Present and Future of AI / Machine Learning (Google I/O ’17)

[박수 갈채] 다이앤 그린 (Diane Greene) : 안녕하세요, 여러분 나는 다이앤 그린입니다

나는 구글의 놀라운 클라우드를 실행합니다 나는 알파벳의 보드에있어, 나는 오늘 매우 자랑 스럽다 여기에 단지 절대 선도의 패널을 완화한다 전문가, 선도 연구자 및 전문가 인공 지능과 기계 학습한다 우리는 우리의 패널을 구성하는거야 과거, 현재, 미래, 폐쇄에 대해 이야기 업계에 대한 몇 가지 개인 반사 우리의 경력 내가 그렇게하기 전에 그리고, 난 그냥 갈거야 신속하게 모든 사람을 소개합니다 우선 프랑소와 Beaufays입니다

그녀는 구글의 수석 과학자의 구글의 음성 인식의 지도자이며, 뭔가 모두 사용합니다 [박수 갈채] 구글 십이년에 있었다 둘째 페이 페이 리이다 그녀는 Google 클라우드의 수석 과학자이다 [박수 갈채] 전 세계 기업에 AI와 ML을 현실로, 또한 스탠포드 대학의 인공 지능 연구소의 머리와 발명가 imageNet 및 imageNet 도전의, 정말 우리의 개발의 일부에 기여하는 깊은 학습과 AI있다

그리고 그녀는 STEM과 AI의 챔피언이기도 및 전체에 대한 AI의 설립자 다음으로, 페르난다 비에 가스? 그녀는 구글 수석 직원 연구원의 그녀는 계산 디자이너의 그녀 과학적이고 협력적인 측면에 초점을 맞추고 정보 시각화, 큰 그림 데이터를 공동-리드 시각화 그룹, 그녀는, 구글 뇌의 일부 그녀는 또한 그녀의 시각화 기반의 작품에 대한 알려져있다, 이는 박물관의 영구 컬렉션의 일부입니다 뉴욕 현대 미술관 [박수 갈채] 그리고, 내가 다프네 콜러을 소개하자 사람들 오늘 옥양목, 옥양목 연구소에서 수석 컴퓨팅 책임자 인 알파벳의 일부 사람들을 제공하기 위해 노력하고있다 이상과 건강한 삶 그녀는 Stanford–에서 18 년을 보냈다 그녀가 거기에 AI 그룹을 주도, 그녀는 공동 출자 MOOC의 가장 큰 플랫폼 코 세라, 대규모 온라인 courses– 온라인 강좌를 엽니 다 그리고 당신은 알고있다, 다프네는 "타임지의 '중 하나였다 2012 년 가장 영향력있는 100 명, 그녀는 맥아더 재단 상을 수상 그녀는 컴퓨팅에 취임 ACM 상을 수상 그녀는 아카데미 예술 및 과학 아카데미의 회원입니다 Engineering– 그리고 사람들은 단지입니다 그녀의 우수성을 증명 점의 일부

[박수 갈채] 그래서 우리는 역사적 관점으로 시작합니다 그리고 다프네, 가장 유명하고 많은 글을 쓰는 저자 중 한 명으로 기계 학습 연구 논문, 당신은 우리가했습니다 방법에 저희에게 당신의 관점을 제공 할 수 있습니다 깊은 학습으로 전환? 다프네 콜러 : 그래서 깊은 학습 혁명을 생각한다 오늘날 우리가보고있는 정말 흥미로운 원동력이다 많은 실제 문제의 많은 부분이다 그러나 혁명은 부산물에서 나온 그것까지 이어질 기계 학습 연구의 많은 깊은 학습 그래서 이전에, 아마 있었다 개발 모델에서 매우 힘든 일 약 10 년, 15 년 그것은 어쩌면 손으로 조작했다 즉, 더 많은 생각과 더 많은 사전 지식이 필요합니다 그리고 우리는 정말로 특성을 통해 동기화했다 모델과 방법의이 도메인에 관한 것이다

당신은 많은 양의 데이터가없는 경우 때문에, 당신은 인간의 직관의 많은 것을 교체해야 방법에 대한 모델이 구축되어야한다 우리가 특정 도메인에서 더 많은 데이터를 입수 한 것처럼, 텍스트와 이미지는 내가 두 개의 주요 examples– 생각되는 음성 물론, 저기 등 우리는 인간의 통찰력이 필요로 많이 대체하기 시작했습니다 그것을 상쇄 점점 더 많은 데이터를

하지만 그 10 또는 15에서 개발 된 기술 세 방법 모두에서 오늘날에도 여전히 중요한 있습니다 개발 된 그 최적화 알고리즘을 themselves– 지난 10 또는 15 년 동안 여전히 깊은 학습을 할 수 있습니다 무엇의 핵심 구성 요소는 성공합니다 그리고 나는 우리가 좋아하는 반면 생각 빅 데이터는이 시점에서라고 생각합니다 모든 것에 대한 해결책은, 그것은 특정 도메인의 솔루션입니다 지역은하지만, 다른 사람, 우리는 여전히 불행하게도이다 매체 또는 때로는 작은 데이터 정권한다 그래서 그들은 확실히 여전히 필요있어 데이터를 사용하여 도메인에 대한 인간의 직관의 균형을위한 획득하고 모델과 함께오고 있었다 그 그 모두의 최고의 통합합니다 다이앤 그린 (Diane Greene) : 감사합니다 그리고 페이 페이, 우리는 또한 당신의 관점을 얻을 수 있나요? 당신은 스탠포드 인공 지능 연구소를 실행 당신의 imageNet 작업은 독창적이었고, 지금은 bringing–있어 당신은 세계 모든 회사에 AI를 가져 찾고 있습니다

어떻게 그 변화와 함께 일이야? 페이 페이 리 : 네 , 다이앤을 주셔서 감사합니다 역사적 관점 그래서 조금 인류 문명의 모든 과학에서 AI가 실제로 아주 어린 분야이다 우리는 약 60 세,하지만 매우 질문 정보에 대한 탐구의, 내 의견으로는, AI의 영감의 루트에 무엇이다 그리고 그 시작부터 거슬러 올라 문명의 새벽

그래서 약 60 년 전, 기계 시작했을 때 계산하고 그 시간에 계산 아주 간단한를 arithmetics, 앨런 튜링 (Alan Turing)처럼 이미 사상가 질문과 인류에 도전, 기계는 생각할 수? 기계 지능을 가질 수 있습니까? 그래서 약 60 년 전, 최고의 컴퓨터 과학자 마빈 민스키, 조 맥카시, 그리고 많은 다른 이들처럼 함께있어 정말 필드 – 시작 점프 오늘 우리는 AI로 알고있다 인공 지능 창시자는 봤다고 기술적으로 육십년 전에 매우 달랐다 그러나 기계를 만드는 동일한 코어 꿈이었다 배우는 이유에, 생각, 말을, 인식하는, 통신합니다 그리고 AI는, 기술 개발의 여러 파도를 거친 전문가 시스템에 첫 번째 순서 논리에서 today– 학습 기계의 초기 파도 깊은 학습 혁명 나는, 나는-체외 AI를 호출, 지난 육십년 말할 것 또는 AI 체외

그것은 필드로,이 60 년이나 우리는, 우리가 물어 질문의 토대를 마련 같은 AI의 탐구에 필수적인 서브 필드, 로봇 공학, 컴퓨터 비전, 자연 언어 처리, 음성 처리 [? 완?]? 바이오,?] 등등 그러나 또한 우리가 진행 상황을 측정하는 방식은 우리의 데이터를 이해하기 및 도구 세트를 발견 할 수 있습니다 그래서 2010 주위에, 그 시간의 주위에, 감사 융합에 통계적 기계 학습 도구의 성숙의, 빅 데이터의 융합은 우리에게 가져 인터넷에 의해, 그리고 센서에 의해, 컴퓨팅의 융합은 무어의 법칙은 우리를 실시한 더 나은 하드웨어 이 세 기둥은 함께 온 그리고 시험관 단계에서 AI를 해제 나는 생체 단계 부르는로 AI는 세계에 실제적인 영향을 어디에 AI는 생체 내이다

그것은 시작에 불과합니다 모든 단일 산업 클라우드에서, 구글, 우리는 때문에 데이터의 변환을 겪고 참조 AI, 기계 학습 때문이다 그리고 이것은 내가 역사적 순간으로 볼 것입니다 AI는 충격과 필드를 변환려고하고있다 그러나 나는 또한 시작에 불과 말하고 싶지 않습니다 도구 및 기술 우리 AI의 분야에서 개발 의 광대 한 바다에 물이 정말 처음 몇 방울 무엇 AI는 할 수 있습니다

우리는이를 통해-약속 할 수 없지만, 엄청난이 있어야한다 흥분 우리가 할 수있는, 더 많은 작업이 AI를 만들기 위해해야 ​​할 일 생체 내 발생 다이앤 그린 (Diane Greene) : 당신의 흥분을 공유 할 수 있습니다 이 생체 상태, 나는 회사를 의미 클라우드에서 자신의 가상 표현으로 퍼팅 그리고 그들은 AI를 사용하는 것을 아무도 이제까지 생각을 할 수 없습니다 가능했다 그리고 AI의 존재가 아니라 클라우드에서, 모든 곳에서 사용된다 그래서 감사합니다 우리가 좀 더 깊이 잠수하면, 프랑소와, 이제 음성 인식과의 국경에서 봤는데 애플리케이션에서 음성 인식 실제로 거의 일반화되고있다

당신은 전환을 통해 우리를 데려 갈 수 있습니까? 프랑소와 BEAUFAYS : 예, 확실히 그래서 나는 약 12 ​​년 전 구글에 합류했다 그리고 우리의 무리는이 비전과 함께 의 음성 인식 유용 뭔가 재미있는 일입니다 음성 인식은 아주 잠시 동안 주위에 있었다 우리 모두는, 현장에서 몇 가지 배경이 있었다 그러나 우리는 뭔가 재미를하고 싶었다

연설이 지금 품질 없었기 때문에 그게 어려웠다 그래서 우리는 매우 한정 상품으로 시작 위치를 인식하는 작업이 어떤 사람이 말한다 너무, 너무 복잡하지 않았다 우리는 조금 봉투를 밀어 노력하고 있었다 하지만 많은 우리는 장소에 가져다 필요하기 때문에 이 제품은 사람들이 원하는 것을 충분히 성공 곳 우리의 응용 프로그램을 사용하고하는 우리 모델에 데이터를 접는 시작할 수 거기에서 거래를 유지 그래서 우리는 우리가 GOOG-411라는 것을 만들었습니다

당신의 그 기억 나도 몰라, 하지만 그냥 전화 응용 프로그램이었다 이봐, 당신은 번호로 전화를 걸 것이고, 그것은 말할 것 어떤 도시와 국가? 그리고 당신은 당신이 관심이 무엇인지 말할 것입니다, 다음은 비즈니스에 대해 물어 것 있는지에 관심이 있었다 그런 다음에게 그것을 그 이름을 말할 및 것 그 도시에 그 사업을 연결하기 위해 제공하는 것입니다 및 상태 그래서 다시, 그것은 12 년 전입니다 그림 어떤 아이폰, 아니 안드로이드 폰은 없습니다, 당신이 가지고있는 모든 작은 플립 폰이 귀에 넣어하는 것입니다

그래서 아주 기본적인했다 다행히 구글의 리더십 이 기술은 정말 환상이었다 정말 경계를 밀어 우리를 격려 우리가 할 수있는만큼 그래서 우리는이 첫 번째 응용 프로그램과 함께 성공했다 하지만, 아이폰과 안드로이드 폰 온, 그래서 모든 것을 분명히 바뀌었다 지금 시각적 피드백이 있었다

그래서 우리는 다른 응용 프로그램에 대해 생각하기 시작, 그리고 그 목소리 search– 그래서 구글은 음성으로 검색 할 수 있습니다 그리고 우리는 받아쓰기를하고 가지고 시작 가능한 모든 항목에서 약간의 마이크 당신이 모든 것을 할 수 있도록, 귀하의 휴대 전화에서 지적 당신의 목소리와 함께 그리고 최근에, 우리는 시도로 이동했습니다 가정 내에서 음성 인식을 사용하려면 Google 홈 같은 장치 때문에 사람들은 점점 더 많은 작업을 요구하고 음성을 통해 충족되어야, 그건 정말 좋은 항목이었다 대신 전체 지원의 이야기를 가리키는 단지 음성으로 아주 작은 일을 할 수 있도록 지금 당신은 질문이 문구를 수 요청할 수 있습니다 자연 언어에서, 당신은 정말 얻을 수 있습니다 구글은이 성가신없이 조수합니다 물리적 키보드 입력

다이앤 그린 (Diane Greene) : 감사합니다 페르, 당신은 민주화 데이터를 원했다 시각화, 그리고이 종류의 불가분의 데이터에 연결합니다 당신은 얼마나셨어요? 데이터 시각화 분석에 표시되는 요구 사항은 무엇입니까? 그리고 어떻게 진화이야? 페르난다 비에 가스 : 네, 그래서 시작 10 년 전 데이터 시각화에서 작업 내가 한 때, 훨씬 달랐다 또한, 데이터 시각화를 수행하는 것이 훨씬 더 힘들 었어요 기계는 거의 좋지 않았다 거기 밖으로 많은 데이터가 없었다 그 공개했다

즉 변화하기 시작, 지금 우리는 환경 곳에서 자신을 찾을 수 사람들은 데이터 시각화와 상호 작용 종류의 모든 곳 정말 흥분 그것은보고 정말 대단 했어요, 같은 저널리즘 데이터 시각화와 이야기에 걸릴 정말 복잡한 이야기 ​​할 때 그들은 통계에 대해 이야기 우리는 항상 데이터 시각화를 농담 통계에 해당 게이트웨이 약물의 일종이다 통계를하고있는 것입니다 심지어 우리가이기 때문에 당신이 것을 몰래 패턴과 이상 값을 따기에 시각적으로 너무 좋아 기타 등등

그래서 데이터 시각화는 이러한 추세에있다 더 민주화되고 또한, 난 정말 사람들이 잔 마셔요 있다고 생각 우리는 사람들의 능력을 증가하고있다 데이터 및 수리에 걸릴 수 있습니다 그리고 데이터 시각화는 점에서의 역할을했다 AI의 관점에서, 정말 재미있었습니다 우리는 큰 점프를 보았 기 때문에 때 제프 힌튼 및 동료 블록버스터 시각화의 첫 번째 종류의 제안 AI, t-SNE합니다

그것은 너와 수있는 기술이다 그래서 AI와 기계와 큰 과제 중 하나 학습이 매우 작동 시스템이 있다는 것입니다 고차원 공간 인간이 이해로 그리고 그 우리를 위해 정말 열심히합니다 그래서 시각화는 피크의 정렬 할 수 있습니다 한 방법입니다 이러한 시스템에서 무슨 일이 일어나고 있는지 이해하려고 노력 그리고 같은 것과 이러한 기술, 그 제프 힌튼 개발 us– 수 있습니다 그들은 우리 일종의 이해 할 수 있도록 어떻게 일을 함께 클러스터링, 다른 개념들 사이의 관계는 무엇인가, 그리고 시스템은 종류의 데이터들은 그 해결 방법 섭취한다 그래서 나는이 major–이었다라고 말하고 싶지만 거기에 큰 진전이 있었다, 그리고 beginning– 페이 페이가 말한대로, 나는 같은 느낌도 있었다 방법 사이의 관계의 시작 부분에서 시각화는 AI 도움이 될 수 있습니다

다이앤 그린 (Diane Greene) : 감사합니다 이제 우리는 조금 더 기술적 인 세트로 전환하는거야 현재에 무슨 일이 일어나고 있는지에 대한 답변 프랑소와, 어쩌면 우리는 당신과 함께 시작합니다 및 음성 인식 기술에 대한 이야기, 무슨과 전환이되어 그리고 도전 무엇인가, 그들은 오늘날 무엇인가 도전은 어떻게 진화? 네 프랑소와 BEAUFAYS : 네, 확인하십시오

그래서 음성 인식은 바로, 정말 복잡하다? 그것은 당신이 무슨 말을하는지 인식하기 어렵다 우리 각자는 다른 목소리 다른 악센트가있다 우리는 서로 다른 환경에서 말할 수 있습니다 그래서 모든 음성의 풍요 로움에 기여하고있다 그리고 그 이유로 대부분의 생각, 음성 인식은 항상 기계 학습에 기반하고있다

이 없었다, 또는 많이하지 않은, 기계 학습 기반에 있던 이전 단계입니다 이 기계 학습의 단지 유형입니다 시간이 지남에 따라 진화하고있다 그리고 우리는 마지막 세의 분야에서 진전을 보관 수십 년,하지만 난 하나의 변곡점을 생각한다 포인트는 신경 네트워크를 채택하고있다 그리고는, 어쩌면 8 년 전 정도 일이있다 어쩌면 조금 덜 그러나 음성 인식의 초기 연구 사용 신경망은 오래 전에 시간이 일어났다

분야에서 많은 활동이 있었다 유망한 결과가 많이 있었다; 그러나, 완전한 지원이 아니었다 정말로 그렇게 할 그리고 신경망은 조금 잠시 포기했다 음성 인식은 개선 유지 가우스 믹서와 같은 기본적인 방법과 모델과 이것 저것 우리가 시작했을 때 그리고 정말 깊은 신경망으로 진화 그것은 엔지니어링 관점에서 큰 노력을했다 우리는 대기 시간 문제를 처리했다, 등 교육 기능 및 규모와

그리고 결국, 깊은 신경망 때 우리가 정말 우리가 그들을 출시 할 때, 현실이되었다 경로를 열어 그, 생산을했다 다른 개선 사항의 전체 무리에 이제 때문에, 우리는 능력이 있었다 의 기술 뒤에 거기 복잡한 기계를 가지고 그래서 우리는 매우 신속하게 움직일 수 하나 개의 신경 구조에서 다음에 그래서 우리는 재발 성 신경 네트워크를 조사하기 시작, 같은 LSTM, 우리는 회선 신경에 보였다 networks– 그래서 시퀀스 CTC 기반 modeling– 우리는 시퀀스 모델링의 전체 무리가 새로운 구현오고 Google 홈으로, 우리는 신경 빔 형성 있습니다

그래서 본질적으로, 무슨 일이야 상기 뉴럴 네트워크로 이동하는 것입니다 공간이 놀라운 능력을 열었습니다 핵심 기술을 혁신하기위한 그 힘을 우리의 시스템과 최적화주고 유지 여러분은 어느 언어로 당신이 말하는 것, 우리가 할 수있는 최선의 정확성 다이앤 그린 (Diane Greene)은 : 음성 인식에 대한 확인을 잘 신경망 우리의 삶을 확장하고 우리가 건강하게 만들기위한 신경망에 당신을 위해 매우 개방적인 질문, Daphne– 왜 옥양목는 세계에서 최고 연구자 중 하나를 필요로 하는가 분자 biology–에서 당신은 또한 생물 컴퓨팅 및 기계 학습을 알아? 최고 컴퓨팅 책임자로서, 당신은 거기 뭐하는거야? 다프네 콜러 : 당신의 그래서 많은 사람들이하지 않을 수 있습니다 우리가 있었던 때문에 옥양목 알고 레이더에서 조금 그래서 옥양목는 알파벳 회사 중 하나, 첫 번째입니다 구글에서 회전했다 그리고 그것은 노화의 문제를 이해하는 것을 목표로 사람들이 더 건강한 삶을 살 수 있도록 도와줍니다

당신이 노화를 볼 때 이제 실현 것을 실제로 죽음에 대한 하나의 가장 큰 위험 요인이다 그리고 당신이 그것에 대해 생각하면 그 재미의 종류를 보인다 알고, 하지만 거의 모든 질병에 대한 사실 그 40 세 이후에 발생합니다 나이가 성장함에 따라 그, 해마다, 기하 급수적으로 그 질병 증가의 위험 매년, 그것은이든 당뇨병 또는 심혈관 질환, 암 이 모든 기하 급수적으로 증가한다 그 이유는 아무도 모른다

왜을하다 40 세 이후 삶의 모든 년 우리는 이러한 질병의 각각에 대한 위험이 증가 박았? 그리고 위해 우리 정말, 그것을 이해하기 생물학적 시스템을 연구 할 필요가 분자 수준에서 노화가 전시 시스템 레벨을 통해 모든 방법 그것은 그 나이에 우리의 원인이 무엇인지 파악 나는 우리가 영원히 살 수있을 거라 생각하지 않기 때문에, 하지만 어쩌면 우리는 개입에 의해 더 이상 건강하게 살 수 있습니다 우리의 최초의 과학자 중 하나 인 신시아 케년, 누가, UCSF에서 옥양목에 와서 보여 주었다 단일 유전자 변이 선충류 선충, 당신은 그것의 수명을 연장 할 수 있습니다 50 % 30 %처럼 뭔가에 의해 그리고뿐만 아니라 웜은 더 오래 살고 않습니다 이 점에서 건강하고 젊은 벌레 인 것처럼 살아 등 생식 건강과 운동, 그리고 그래서 우리는 그런 일을 할 수 있습니까? 즉 인간이 건강하게 살 수있는 것? 그래서 정말 멋진 것,하지만 순서대로 그렇게, 이해의 전체 많이는 우리가 여전히있다 얻을 필요가있다

그리고 그렇게하기 위해, 우리는 데이터를 수집해야 에 대한 모든 시스템, 모두 나이 효모 연령, 웜 시대, 파리, 쥐, humans– 우리 모두가 분자 수준에서 공통적으로 가지고있는 것이 무엇입니까? 그래서 다행히, 과학자들은 지난 20 이상, 수 있었다 년, 측정 양식의 전체 회전을 고안하기 즉, 적어도 우리가 이해를 얻을 수 있도록, 또는 시스템에 관한 데이터, 그들은 나이 그리고 그 순서와 같은 기술을 포함 그리고 로우 레벨, 영상에서 미세 유체, 장치 같은 것들에 이르기까지 모든 방법 그 트랙 이동하고 웨어러블 허용 움직임을 추적하고 나이 시스템이 어떻게 변경되는지 확인합니다 그러나 어떤 사람은 능력이 없습니다 함께 서로 다른 양식에서 데이터를 넣어 그 세포 내에서 모든 방법을 다양 전체 인구에 이러한 모든 다른 양상이 그래서 DNA 및 RNA와 질량 분석, 및 이미지 등을 포함한다

세포 내에서 포함되는 시간 규모의 모든 전체 인간 수명의 비늘에있는 모든 방법을 확장 할 수 있습니다 어떻게 이러한 모든 배치해야합니까 나이가 우리를 만드는 것의 일관된 그림으로 어떤 개입 될 확률이 매우 높습니다 그 노화를 둔화과 더 나은 제작에 성공? 데이터를 해석하고 그것의 사용을 만드는 그 능력 그래서 정말 진정한 협력이 필요 수집하고 점점 과학자 사이 이러한 프로세스와 시스템에 대한 직관 구성 할 수 있습니다 배우는 사람들 합성과 함께 모든 것을 넣을 수 있습니다 모델 그리고이 지역 사회의도 자체에 성공할 수 있습니다 나는이 필드를 입력 한 행운의 사람들 중 하나였다 매우 초기 단계에있다 그래서 전산 생물학의 분야에서 일한지 2000 년대 초반에입니다

그리고 같은 반면, 당신은 말할 수 나는 기계 학습의 언어 기본임을, 당신은 내가 유창을 가지고 말할 수 생물학적 언어이다 그리고 같은, 그것은 나를 작업 할 수 있습니다 로에게 옥양목의 과학자들은 만듭니다 이 두 분야 사이의 진정한 협력 그리고, 앞서 언급 한 바와 같이, 모델을 구축 모두의 가장 최고의 worlds– 결합하는 것이 중요하다 인간의 직관의 가장 좋은 또한 빅 데이터, 그러나의 나는 생각하지 않는다 생물학의 복잡 때문에 심지어 오늘날 우리가 수집하는 데이터의 양으로, 우리는 데이터에서 노보 생물학 드를 재구성 할 수 있습니다 혼자 당신은 데이터가 필요하지만, 당신은 또한 일부의 직관이 필요합니다 세계 최고의 과학자 그리고 옥양목 같은 장소에서 함께 작동 그렇게함으로써, 우리는 그 통찰력의 일부를 얻을 수 있습니다 뿐만 아니라 데이터의 엄청난 양의 일부로서 그 현재 수집되고있다

그리고 정말 구성하기 위해 나중에 다시 올 것이다 노화의 생물학에 대한 깊이있는 이해 동시에 시도하고 예측 어떤 개입은 도움이 될 수 있습니다 다이앤 그린 (Diane Greene)은 : 다프네를 주셔서 감사합니다 나는 우리가 일시 정지한다고 생각한다 깊은 생각을 많이합니다 [박수 갈채] 당신의 모자에 만요! 우리는 비전에 다시 뛰어 것입니다

그냥 다른 일 페이 페이, 당신 말을 테크 크런치 (TechCrunch)에서 인용했다, "비전은 AI의 킬러 응용 프로그램입니다" 그래서 당신은 무엇을 의미합니까? 그리고 AI, 어떤 수행을 민주화하기 위해 무엇을 의미 하는가 클라우드와 함께해야 그? 페이 페이 리 : 네, 그래서 네, 사실이었다 노력하는 것은 도발, 그리고 나는 그것을 대기합니다 인용문은 많은 사람들이 요구하는 동안,이다 컴퓨터 비전의 킬러 애플리케이션을 위해, 나는 살인자의 비전은 AI의 킬러 애플리케이션이라고합니다 그래서 나에게 두 가지 이유에 의해 그 자격을 할 수 있습니다 첫 번째 이유는 자연에서 온다

540,000,000년 전에, 놀라운 이벤트 동물의 진화에 일어났다 어떤 이상한 이유로, 동물 종의 수 아주 간단한 몇 종 갔다 다양성의 폭발적인 증가 동물의 종류이다 그것은 진화 또는 캄브리아기의 대폭발로 간주되었다 폭발 그리고 동물 학자는 많은 수십 년 동안 의아해했다 이런 일이 이유에 대해 그리고 최근, 매우 설득력있는 저명한 이론 그것은 눈의 시작이었다 추측

동물 비전입니다 눈이 먼저 동물에서 개발되었을 때, 갑자기 동물의 수명은 사전되었다 포식자와할까요, 전체 발전이 그냥 변경 540,000,000년 후, 인간은 가장 지능 시각적 인 동물 사실, 자연은 우리의 뇌의 절반을 헌신 때문에 중요성 시각 처리

그래서 하나의 증거 하나 개의 스레드입니다 증거의 또 다른 조각 기술과 세계에서 온다 우리는 ~에서 산다 당신은 우리의 인터넷 오늘 보면 여기서 데이터는 동안 유튜브 혼자 파묻히다 업로드 한 동영상의 300 플러스 시간을 본다 매 순간이, 그리고 80 % 이상 추정된다 전체 사이버 화소 형태의 일종이다 그리고 센서 봐 캡처 센서의 가장 큰 데이터 형식 이 있는지 여부, 이미지의 어떤 종류에 가시 광선 또는 가시광 스펙트럼의 외부

자가 운전 자동차에서 병원 생물학 실험실에서 감시 cameras–에 모든 곳에서, 픽셀 format– 픽셀 데이터 포맷은 가장 귀중한 데이터 인 소비자와 기업 클라우드에서, 나는 많은 고객에게 이야기 할 기회가 있었다 나는, 이미지 인식의 요구에 대한 모든되었습니다 영상 처리, 비디오 분석 그래서 정말 컴퓨터 비전에 대한 흥미로운 시간이다 다시, 음성 인식 단지와 유사합니다

깊은 신경망의 진행 덕분에, 비전 정말 진행을 많이 만들어졌다 필드로 이륙했다 지난 10 년 동안, 2010– 사이 또는 2017 년 일곱 years–, 나는 가장 큰 것을 말할 것입니다 컴퓨터 비전의 문제는 기본 인식이다 tasks– 물체 인식, 이미지 태그, 물체 검출 우리는 이미 제품 그건 나오는, 당신이보고,이 Google 포토,자가 운전 차량에 보행자 감지, 이 모든

그러나 투자의 다음 위상 컴퓨터 비전 기술, 내 의견으로는, 비전은 정말 플러스 X의 비전입니다 의사 소통과 언어의 가장 기본 우리는 어떻게 이야기를 말합니까? 우리는 어떻게 태그를 인덱스 동영상합니까? 비전과 언어 사이의 연결 및 상호 작용 그래서 매우 흥미로운 일이 될 것입니다 그런 비전과 생물 과학, 우린 할수 있는지 여부 생물학에서 오는 데이터 및 건강 관리의 처리량, 비전 형태의 약은 놀랍다 그리고 그것을 방사선 또는 실험실을합니다 그리고 비전을 플레이 할 수있는 큰 기회가 있다고 생각합니다

그리고 나는 또한주고 싶은 마지막 예는 로봇이다 연구원으로 말하기,이 흥분의 많은 지금 일어나고 비전과 로봇 공학의 영역이다 우리는 한 AI는 지금까지 존재하는 한 로봇을 해왔습니다 그들이 어디에하지만 로봇은 아직 없습니다 큰 정도, 그것은 때문에 원시적 인 인식의의 체계 그리고 비전이 큰 역할을 할 수 있다고 생각합니다

그러니까 기본적으로, 나는 비전이 생각 기계의 가장 중요한 요소 중 하나 지능 또한 기업의 변화에 ​​대한 기업 다이앤 그린 (Diane Greene) : 감사합니다 다양한 관점 [박수 갈채] 우리는 시간이 없어요 때문에주의해야합니다 그래서 페르, 어떻게 비전의 도움을한다 시각화 및 시각화 도움이 기계 학습? 그리고 어쩌면 당신은 그것과 수, 시간을 저장합니다 당신의 미래를 볼 곳으로 이동 당신은 시각화를 취할 수 있습니다

페르난다 비에 가스 : 물론 그래서 그래, 그래서 여기 페이 페이의 대답에 피기 백, 우리는이 놀라 울 정도로 정교한 비전 시스템을 가지고있다 우리는뿐만 아니라 무엇 이러한 시스템을 이해하는 데 사용할 수 있습니다 하고있는 거지? 그래서 기계 학습 통계의 데이터 톤의 톤에서 실행 확률 음, 데이터 시각화 종류의 수 있습니다 밝혀 무슨 일이 일어나고 있는지 이해하려고 노력의 비밀 무기가 될 그리고 우리는 왜 상관이야? 왜 우리가 관심을 가져야? 때문에 우리는 다른 이유의 무리 관심을 가져야

하나는 해석 가능성이다 당신은 당신의 모델이 나오는 무슨 해석 할 수 있습니까? 둘째 debugability입니다 더 나은 당신의 모델에 무슨 일이 일어나고 있는지 이해 당신이 다음을 디버깅 할 수 있습니다 그리고 마지막으로, 또한 교육이있다 시각화는 이미 중요한 역할을하고있다 그것은 기계 학습에 대한 교육에 관해서

그리고 나는 또한 최종 교육 조각이 나는 매우 흥분이 있어요 있음 우리가 더 잘 이해하기 시작하면 이는,이다 우리는 이해하기 위해 시각화를 사용하는 경우 시스템이 무엇을하고 있는지 더 나은, 우리는 그들로부터 다음을 배울 수 있는가? 우리는 더 나은 전문가, 좋은 도메인이 될 수 있습니다 어떤 전문가 나는 의사예요 경우 내가 건축가 해요 경우, 그것은 무엇이든 어떻게이 매우 특정 시스템에서 배울 수 다음 전문으로 더 나은? 내가 생각하는 시각화에 대한 또 다른 것은 정말 강력하고 정말 중요하다 에 의해 시각화를 사용한다는 사실은 추적하기 위해, 우리는 항상 오른쪽 루프에서 인간을 지키는거야? 그리고 그 거대하다 그리고 우리는 자율적 인 시스템을 구축으로, 우리는 그들이 잘 행동하고 있는지 확인하고 싶습니다 그리고 시각화가 도움이 될 수 있습니다 나는 당신에게 대해 매우 빠른 일화를 이야기 할 moment– 과학 순간 시각화 우리를 보였다 때 대한 기계 학습하기 전에 우리가 모르는 뭔가 체계

그래서 작년에, 구글은 다국어 번역 배치 시스템 및 좋았어요 그것은이 정말 흥미 진진한 순간이었다 단지 다른 언어의 톤을 넣어 하나의 시스템에서 시스템을 가지고 어떻게 든 방법을 알아낼 언어의 모든 쌍에서 번역합니다 여분의 보너스는 할 수 있었다이었다 그것이 어디에서 무슨 일이 제로 샷 번역라고 언어 쌍에서 번역 할 수 반드시 한 번도 본 적이 없습니다 기본 연구 중 하나 그래서 문제는 이러한 시스템을하는 전문가가 있다고했다, 어떻게 시스템은 다국어 데이터의이 공간을 해결한다? 이 시스템은 뭔가를 만드는 것을 , 종류의 영어 여기에 모델처럼 보인다 및 스페인어 여기 모델, 포르투갈어 또 다른 하나? 또는 시스템은 매우 다른 일을하고 있습니까? 어디 종류의 모든 것을 혼합 같은 공간에, 그것은 어쩌면이다 의미에 대해 뭔가를 배우고 단어의 의미와 반드시 어떤 언어가에서 오는 또는 어떤 언어 난 로 번역? 그래서 우리가 무슨 짓을했는지, 우리는 시각화를 구축 이 조사합니다 그리고 정말 흥미로운 점이었다 우리는 우리가 문장을 시각화 that–보기 시작 때 다른 쌍의 무리로 번역되고 있었다 언어의

그리고 정말 흥미로운 일이었다 우리는 문장의 클러스터를보고 서로 다른 언어로 함께 표시됩니다 그래서 나는 포르투갈어에서 번역하고있어 문장이있는 경우 영어와 그 반대로 스페인어, 그 표현의 모든 클러스터 함께 나타났다 그리고 모든 클러스터와 여기에 다음 다른 문장 모든 언어와의 then– 그래서 다른 말로하면, 우리는 무엇을 발견 했는가? 우리는 시스템이 공간을 분할되지 않았 음을 발견 다른 언어로 이 시스템은 고유의 표현과 함께오고 그 여러 언어의 그래서 다른 말로하면, 우리는 첫 번째 징후를 보았다 뭔가의 보편적 인 언어의 우리는 국제어를 호출 할 것이다

그것은 놀라운이었다 우리가 가진 것처럼 그리고 그것은 거의이었다 , MRI를 통해 다국어 시스템을 실행 우리는 같은 워입니다! 다음은이는 – 결과입니다 다른 것은 시각화는 우리가 할 수 다음 지역을보고했다 그것은 아주 잘 resolved– 보이지 않았다 여기서 약간의 언어 종류의 자체 놀고 있었다

사람들은 좋지 않았다 번역했다 그들은 높은 품질을하지 않았다 그래서 그것은 우리에게 알려줍니다 것은 이들 공간의 기하학 의미가있다 그리고 당신은 당신의 이웃 정렬이있는 경우 그 자체로 주변에서 놀고, 당신은보고 할 수 있습니다 당신은 당신의 시스템을 디버깅 있는지 확인 할 수 있습니다

그래서 이러한 종류의 강대국 당신은 이해하고 더 나은 일을 할 수 있습니다, 만드는 일이 더 잘 작동합니다 그리고 미래의 것들 중 하나에 대한 종류의 손에 손을 이동에 대해 정말 흥분 페이 페이 난에 대한 진정한 옹호자라고 생각 뭔가, AI 민주화있다 시각화, 나는 think– 및 기타 techniques– 그것은뿐만 아니라 시각화,하지만 진정 I 믿는 사람들이 더 많은 다른 종류의 우리는 오프 더 나은 우리가있어, ML의 배에 가져 될 것 지금, AI는 여전히 매우 엔지니어링 중심의 느낌 그리고 나는 우리가 가져올 때 무슨 일이 일어날 지 정말 궁금하다 디자이너, UXers, [에? 과학자?] [? 라고?] 우리는 유치하기 시작하고 있습니다 다른 가능성은 무엇입니까? 우리는 심지어 생각하지 않은 다른 솔루션은 무엇입니까 그것에 대해 우리는 탐험을 시작할 수 있습니다? 다이앤 그린 (Diane Greene) : 감사합니다

[박수 갈채] 내가 당신을 요청해야처럼 프랑소와는 느낌 어떻게 데이터 시각화 음성 인식을 도울 것, 그러나 나는 또한 데이터가 더수록에 대해 물어보고 싶은게 단지, 당신도 알다시피, 우리는이 모든 표시된 데이터를 했어 및 훈련 모델 우리가 더 많은 개인화을, 여기서이 기술은가는 무슨 문제 있어요 당신은 흥분입니까? 프랑소와 BEAUFAYS : 네, 사실은 매우 흥미 롭습니다 우리는 음성 인식에 새로운 문제에 뛰어들 때마다, 우리는 정말 감각에 집중해야 당신은 우리가 유튜브 키즈 작업을 시작할 때, 알고, 예를 들어, 이는, 아이들을 위해 유튜브 공간이었다 우리는 정말 그 젊은 목소리에 집중했다 그들은 우리가 같은 방법을 말하지 않는다 그들은 같은 피치 범위가없는, 그들은 말을 자르고 같은 방법이 없습니다 그들은이 심호흡을 한 다음 그들이 연설의 버스트있다 그래서 우리는 정말에 집중했다

그리고 결국, 우리는 방법을 발견 다시 접는의 우리의 일반적인 모델로 학습하는 것이 구글 홈 그래서, 예를 들어, 그것은 당신과 함께 수행뿐만 아니라 자녀와 함께 작동합니다 그러나 구글 홈 자체가 어디에서 새로운 환경도했다 우리는 새로운 데이터를 수집했다 그리고 데이터가 사용 가능한 경우, 다음은 모델로 접어 및 재교육을 유지하기 쉽다 그러나 처음으로 당신이 Google 홈 장치를 실행하려면, 당신은 바로 그것을 가지고 있지 않은거야? 그래서 우리는 시뮬레이션을 많이 했어요 데이터를 가지고 다른 유형의 잡음을 추가 데이터에 잔향의 종류를하는, 실제로, 우리는 방대한 양의 데이터를 사용합니다 우리는 수십 연설 시간의 수천을 쓰다 그리고 우리는 시뮬레이션과를 곱합니다

뭔가 당신이 수학을 할 경우, 평균 언론의 세기의 소수처럼 그게 우리가 모델로, 그래서 그냥 대량 접을 수 있습니다 그리고 나는 그것이 매우 흥미로운 것 같아요 즉 더 많은 문제를 확장하는 방법에 대해 생각하는 다른 음향 특성, 뿐만 아니라 다른 언어로 내가 너희들을 요청할 수 있습니다 경우에 당신은 당신의 얼마나 많은 알고처럼 영어가 아닌 다른 언어를 사용? 오른쪽, 당신은 볼? 모든 손이 제기된다 그래서 우리는 정말 모든 우리의 기술을 사용할 수있게하려면 자신의 언어로 당신의 당신이 생각한다면, 그것은 엄청난 문제입니다

우리는 어떻게 그렇게 할거야? 우리는 하나 개 인식기를 구축려고하고있다 여러분 모두를 위해 작동? 우리는 우리가 지금처럼, 언어 당 하나를 수행하는 건가요? 그럼, 어떻게 방언에 대해, 다음? 그리고 우리는 어떻게 할 건데 때 작은 포켓 상당히 작은 하나의 언어를 가지고 개인의? 당신은 언어 학자를 요청한다면, 그들은 당신을 말할 것이다 세계에서 6,000, 7,000 언어가 있음 그들은 them– 약 1,000의가 있음을 알려드립니다 실제로, 1342, 그들은이 그 말 10 만 명 이상 스피커 그래서 많은 맞죠? 그리고 우리는 정말 깊은 국제화로 이동하려는 경우 그리고, 지구에 큰 인구를 가진 모든 언어를 제공 창의성을 많이 요구하는 것 기계 학습 측에서 데이터를 공유 할 수 관리하기 언어 사이에, 다른 언어에서 배우고, 그래서 지금의 나는 정말 흥분 생각 해당 도메인에 할 일의 톤은 여전히 ​​존재한다 다이앤 그린 (Diane Greene) : 나는 동의한다 그것은 매우 흥미로운입니다

고맙습니다 [박수 갈채] 우리는 조금 이상 갈, 그래서있어 우리 페이 페이와 다프네의 미래에 대해 듣는 시간을 가지고있다 페이 페이, 앞으로 무엇이 가능한지에 대해 무엇을 흥분? 페이 페이 리 : 무엇에 대해 저를 흥분 무엇 가능한 한 앞으로? 나에게 한 차원을 가정 해 봅시다 나는 일반적으로 AI가 주행 중 하나입니다 생각 네 번째 산업 혁명의 힘 그것은 시작에 불과하지만 가능성이있다 인간의 생활 방식을 변환하는 작업과 통신합니다

그리고 하나 좋아하는 줄은 나는 철학자 소식 독립적 인 기계 값이 없다입니다 기계 값은 인간의 값입니다 그래서 한 가지 정말 날 흥분하는 다양한 기술자를 포함하는 것입니다 AI의 분야에서 함께 미래를 건설합니다 때문에 우리는 표현의 다양성을 일단 AI 기술 분야에서, 우리 전체 인류를위한 기술을 구축 할 것입니다, 그것의 단지 한 조각 다이앤 그린 (Diane Greene) : 예, 당신은 신뢰성을 많이 가지고 당신은 그 페이 페이를 말할 때

[박수 갈채] 그리고 다프네, 생물학의 교차점, 컴퓨팅, 그리고 다른 모든 것들 당신은 뭐 했어 다프네 콜러 : 글쎄, 내가 진행 상황을 볼 때 그 기계 학습은 지난 5 ~ 10 년 동안했다 오랫동안 인공 지능 연구원으로, 당신이 원하는 경우 심지어 5 년 전 나에게 물었다, 컴퓨터 것이다 어떤 종류없이 이미지를 자막을 할 수 사전 지식, 그냥 같은 품질 인간은, 내가 말한 것이다 것, nehh, 어쩌면 이십년있다 그리고 페이 페이와 다른 사람의 작품에, 우리는 더 빨리 그 이정표 방법에 도달 할 수있었습니다 보다 내가 기대했을 것이다

나는 코 세라에서 생물학으로 다시 이동하는 이유 나는 우리가 무릎을 치고 있다고 생각하기 때문이다 생물학의 곡선이다 그래서 당신이 볼 때, 예를 들어,에 일부 현재 예측 거기 "큰 Data–라는 2015 년에 출판 된 논문이었다 천문 또는 Genomical? " 그리고 그것은 인간 게놈 시퀀스의 수에 보이는 의 생물학적 데이터의 매우 제한된 부분은 촬영되고, 당신은 과거 추세를 보면, 그 금액은 매 7을 두 배로 달, 어떤 배 빠른 무어의 법칙으로 대해를합니다 그래서 당신은 2025을보고 당신이 그 선을 투사 할 경우, 2025 년 인간 게놈 서열의 개수 보수적 투사에있을 것입니다, 1 억, 당신이 과거 추세를 보면, 그것은 억 수 있습니다 두 억 인간 게놈 시퀀스, 그것은 단지 순서입니다 즉 RNA, 및 프로테옴 및 몸 전체를 계산하지 않습니다 이미징 및 세포 이미징

그래서 우리는 시작의 첨단에있어, 정말 가장 복잡한 시스템이 무엇인지 이해의 생각 우리가 발견 한 것으로, 생물학적 시스템의은이다 그것은 우리가 살아 만드는 무엇입니까? 그것은 죽을 우리를 강제로 그 무엇입니까? 그래서 나는 데이터와 기술의 양의 생각 그 기계 학습 개발하고 계속 개발하기 위해, 우리는 기회를 가질 수 정말이 방법으로 과학을 변환합니다 그리고 나는 그 두 가지를 가져다 줄 수있을 정말 흥분 지역 사회가 함께하는 가능하게한다 [박수 갈채] 다이앤 그린 (Diane Greene) : 그래서 분명히 훨씬 더있다 우리는 앉아서 여기를들을 수있다 이건 그냥 급격하고있다 재미 있고 감동적인 패널

대단히 감사합니다 페이 페이 리는 : 다이앤 감사합니다 [박수 갈채]

The 7 Steps of Machine Learning

[음악 재생] YUFENG GUO : 감지 피부암에서 검출 에스컬레이터 오 분류에 수리의 필요, 기계 학습에 완전히 부여 된 컴퓨터 시스템의 새로운 능력을 가지고있다 하지만 어떻게 정말 후드 작동합니까? 의 기본적인 예를 통해 살펴 보겠습니다 그리고 얻기의 과정에 대해 얘기를 핑계로 사용 기계 학습을 사용하여 데이터에서 답변

클라우드 AI 모험에 오신 것을 환영합니다 내 이름은 Yufeng의 구오이다 이 쇼에, 우리는 예술, 과학을 살펴볼 것이다 기계 학습 도구를 제공합니다 의 우리가 물어 봤는데 척하자 여부 음료의 질문에 응답하는 시스템을 만들 수 있습니다 와인이나 맥주입니다 우리가 구축이 질문에 응답 시스템 모델,이 모델이라고합니다 교육이라는 과정을 통해 생성됩니다

교육의 기계 학습에서의 목표 우리의 질문에 답 정확한 모델을 만드는 것입니다 시간을 제대로 대부분 그러나 위해, 우리를 모델을 학습합니다 에 훈련 데이터를 수집해야합니다 우리가 시작됩니다 곳이다 우리의 데이터는 와인과 맥주 잔에서 수집됩니다 우리는 데이터를 수집 할 수있는 음료의 여러 측면이 있습니다 on– 유리의 모양 거품의 양에 이르기까지

그러나 우리의 목적을 위해, 우리는 단지 두 가지 간단한 ones–을 선택합니다 광의 파장과 알코올 농도와 색 백분율로 희망은 우리가 음료의 우리의 두 가지 유형을 나눌 수 있다는 것입니다 혼자 이러한 두 가지 요인에 따라 우리는 지금부터 이러한 우리의 기능을 호출 할 수 있습니다 on– 색상과 알코올 우리의 과정의 첫 번째 단계 것 현지 식료품 점에 밖으로 실행하는, 다른 음료의 무리를 구입 우리 measurements– 분광계를 할 수있는 몇 가지 장비를 얻을 수 색상 및 비중계 측정 알코올 농도를 측정한다 우리의 식료품 점은 전자가 나타납니다 하드웨어 부분뿐만 아니라

우리가 가진 booze– 우리의 장비 일단 한 후 모든 up– 설정 그것은 기계의 우리의 첫번째 진짜 단계에 대한 시간 learning– 데이터 수집 이 단계는 품질 때문에 매우 중요하다 데이터의 양 당신은 수집이 직접 예측 모델이 얼마나 좋은 결정합니다 이 경우, 데이터는 우리가 수집 각 음료의 색과 알코올 함량 될 것입니다 이 색상의 우리에게 표를 얻을 것, 알코올 농도, 그것은 맥주 또는 와인인지 이것은 우리의 교육 자료가 될 것입니다

측정 그래서 몇 시간 후, 우리는했습니다 우리의 훈련 데이터를 수집 아마도 몇 가지 음료를했다 그리고 지금은 기계의 우리의 다음 단계에 대한 시간 learning– 데이터 preparation– 우리는 적당한 장소에 우리의 데이터를로드 할 경우 우리의 기계 학습 교육에 사용하기 위해 준비를합니다 우리는 먼저 함께 우리의 모든 데이터를 넣어 무작위 것 순서 우리는 데이터의 순서를 싶지 않을 것이다 그 아니에요 이후 우리가 배울 방법에 영향을합니다 음료 여부를 판정 부는 와인이나 맥주이다 즉, 우리의 결정을 할 것 앞이나 뒤에 온 것을 마실 음료는 무관 시퀀스이다

이것은 또한 어떤 관련 시각화를 할 수있는 좋은 시간입니다 데이터의, 도움 당신은 있는지가 다른 변수 사이의 관계이다 관련 뿐만 아니라 쇼 당신은 모든 데이터 불균형이있는 경우 예를 들어, 경우에 우리는 맥주에 대한 방법으로 더 많은 데이터 포인트를 수집 와인보다, 우리는 훈련이 모델은 크게 바이어스 될 것입니다 그것을 보는 것을 사실상 모든 추측을 향해 맥주는 대부분의 시간을 맞을 것이기 때문이다 그러나, 현실 세계에서, 모델 동등한 양으로 맥주, 와인을 볼 수있는 이 맥주 잘못 절반 추측됨을 의미 시간 우리는 또한 두 부분으로 데이터를 분할해야합니다 우리의 모델을 훈련에 사용되는 첫 번째 부분 우리의 데이터 세트의 대부분 일 것이다

두 번째 부분은 우리 기차 모델의 평가에 사용됩니다 공연 모델이 훈련 것을 우리는 같은 데이터를 사용하지 않으려는 평가에 그 이후는 것 질문을 암기 할 수 있습니다, 당신은 당신의 수학에서 질문을 사용하지하는 것처럼 수학 시험에 숙제 때로는 데이터 우리는 요구를 다른 형태의 수집 조정 및 manipulation– 것들 중복, 정상화, 오류 수정 및 다른 이들처럼 이러한 모든 데이터 준비 단계에서 일어날 것입니다 우리의 경우, 우리는 더 이상 데이터 준비 필요가 없습니다, 그래서 앞으로 이동하자

워크 플로우의 다음 단계는 모델을 선택하고있다 많은 모델이 있습니다 그 연구자 및 데이터 과학자 수년에 걸쳐 만들었습니다 일부는 아주 잘 이미지 데이터, 다른 사람에 적합 텍스트 나 음악과 같은 시퀀스에 대한 수치 데이터에 대한 몇 가지, 텍스트 기반 데이터에 대한 다른 사람 우리의 경우, 우리는 두 features– 색상과 알코올이 백분율 우리는 작은 선형 모델을 사용할 수있는 작업이 완료 얻을 것이다 아주 간단한 하나입니다

이제 우리는 종종 간주되는로 이동 기계의 대량 learning– 트레이닝 이 단계에서, 우리는 점진적으로 향상시키기 위해 데이터를 사용합니다 주어진 여부를 예측하는 우리의 모델의 능력 음료는 와인이나 맥주입니다 어떤면에서,이 사람과 유사 처음 운전을 배우고 처음에 그들은 페달, 노브의 방법 중 하나를 모른다, 그들이 누르거나 사용해야 할 때 스위치가 작동 또는 그러나 연습과 교정을 많이 후 자신의 실수, 라이센스 드라이버가 나온다

또한, 구동 년 후, 그들은 운전에 매우 능숙하게했습니다 운전 및 실제 데이터에 반응하는 행위 자신의 능력을 연마, 자신의 운전 능력을 적용하고있다 우리는 우리의 음료와 함께 훨씬 작은 규모로이 작업을 수행 할 것입니다 직선 특히, 식 Y는 X가 입력되는 경우, MX 플러스 B와 동일하다 m은 직선의 기울기이고, b는 y 절편이고, 및 y는 위치 (x)에서의 라인의 값이다 우리가 우리에게 가능한 값은 조정하거나 훈련 M 개의 기울기가 B 인 것을 단지 m 및 B이다 y 절편

라인의 위치에 영향을 미칠 수있는 다른 방법이 없다 다른 유일한 변수는 X, 우리의 입력 및 Y되므로 우리의 출력 기계 학습, 많은 m의의가있다 이후 많은 기능이있을 수 있습니다 이 값의 컬렉션은 일반적으로 표시되는 행렬로 형성 가중치 행렬 w 마찬가지로, B에 대해, 우리는 이들을 함께 배치 그리고는 편견을 불렀다 교육 과정은 어떤 임의의 값을 초기화 포함 w와 b를 예측하는 시도에 대한 그 값으로 출력한다 당신이 상상할 수 있듯이, 그것은 처음에 꽤 제대로 수행 그러나 우리는 출력이 우리의 모델의 예측을 비교할 수 있습니다 그것은 제조 및 w의 값을 조정 한 것을 및 b를 우리는보다 정확한 예측을 가질 것 주위 다음 번에

그래서이 과정이 반복된다 무게와 편견을 업데이트하는 각각의 반복 또는주기 한 교육 단계라고합니다 그럼 그보다 구체적으로 무엇을 의미하는지 살펴 보자 우리의 데이터 집합 때 우리가 처음 훈련을 시작, 우리는 데이터를 통해 임의의 선을 그린 것처럼입니다 그리고 교육의 각 단계가 진행됨에 따라, 라인 가까이 단계적으로 이동 와인과 맥주의 이상 분리합니다

교육이 완료되면, 그것은 시간이다 모델이 좋은 경우에 볼 수 있습니다 평가를 사용하면, 이것은 어디 우리가 설정하는 데이터 세트 옆으로 이전 플레이로 온다 평가는 우리가 우리의 모델을 테스트 할 수 있습니다 교육에 사용 된 적이없는 데이터에 대해 이 통계는 어떻게 모델이 수도 볼 수있게 해준다 아직 보지 않은 데이터에 대해 수행합니다 이것은 어떻게 대표하기위한 것입니다 이 모델은 현실 세계에서 수행 할 수 있습니다

나는 교육 평가 분할에 사용하는 엄지 손가락의 좋은 규칙은 어딘가 80 % -20 % 또는 70 % -30 % 정도에 이것의 대부분은 원래의 소스 데이터 세트의 크기에 따라 달라집니다 당신은 당신에게 아마, 많은 양의 데이터가있는 경우 평가 데이터 세트에 대한 일부의로 큰 필요가 없습니다 당신이 평가를 수행하면, 그건 당신은 당신이 더 개선 할 수 있는지보고 싶어 가능성 어떤 방식으로 훈련 우리는 우리의 일부 매개 변수를 조정하여이 작업을 수행 할 수 있습니다

몇 가지가 있었다 그 우리 암시 우리가 우리의 훈련을했을 때, 가정 지금 다시 테스트 갈 수있는 좋은 시간입니다 그 가정은, 다른 값을 시도해보십시오 매개 변수 우리가 할 수있는 조정의 한 예 우리는 훈련 집합을 통해 실행하는 횟수입니다 훈련 도중 우리는 실제로 데이터를 여러 번 표시 할 수 있습니다 그렇게함으로써 그래서, 우리는 잠재적 것 높은 정확도로 이어집니다 또 다른 매개 변수는 속도를 배우고있다

이것은 우리가 선을 이동하는 방법까지 정의 정보에 기초하여 각 단계 이전의 훈련 단계에서 이 값은 모두 얼마나 정확한 우리의 모델이 할 수있는 역할을 되고 얼마나 오래 훈련한다 더 복잡한 모델, 초기 조건 결정뿐만 아니라 중요한 역할을 할 수 훈련의 결과 차이는 따라 볼 수 있습니다 모델 훈련을 시작할지에 일부 분포 대 제로 초기화 값 가치와 어떤 그 분포가된다 당신이 볼 수 있듯이, 많은 고려 사항이 있습니다 훈련이 단계에서, 그것은 중요 당신은 당신을 위해 충분한 모델이 좋은 무엇이 정의하는 것이

그렇지 않으면, 우리는 우리 자신에게 조정 매개 변수를 찾을 수 있습니다 아주 긴 시간 이제, 이러한 매개 변수는 전형적으로 하이퍼 파라미터 라 함 이러한 하이퍼 파라미터의 조정 또는 조정 여전히, 과학보다 예술의 조금 더 남아 그리고 실험 과정이다 그 주로 데이터 집합, 모델의 특성에 따라, 및 교육 과정 당신이 당신의 교육 및 하이퍼 파라미터에 만족하면, 상기 평가 단계에 의해 안내, 그건 마지막으로 시간을 유용하게 뭔가를 모델을 사용합니다 기계 학습은 질문에 대답하기 위해 데이터를 사용하고, 그래서 예측 또는 추론은 우리가 마침내 단계입니다 몇 가지 질문에 대한 답변을 얻을

이것은이 모든 작업의 ​​포인트입니다 기계의 값 학습이 실현된다 우리는 마침내 주어진 여부를 예측하기 위해 모델을 사용할 수 있습니다 음료는 색상과 알코올의 비율을 제공, 와인 또는 맥주입니다 기계 학습의 힘은 우리입니다 와인을 구별하는 방법을 확인 할 수 있었다 맥주는 우리의 모델을 사용하기보다는 인간의 판단을 사용하여 수동 규칙 당신은 발표 오늘 아이디어를 추정 할 수 있습니다 다른 문제는 물론, 경우 도메인에 같은 원칙은 apply– 해당 데이터를 준비하는 모델을 선택, 데이터를 수집, 그것은 훈련과 평가, 당신의 hyperparameter을하고 교육, 그리고 마지막으로, 예측 당신은 플레이 더 많은 방법을 찾고 있다면 교육 및 매개 변수, 체크 아웃 TensorFlow 놀이터

그것은 완전히 브라우저 기반의 기계 학습 샌드 박스입니다 당신은 다른 매개 변수를 시도 할 수있는 및 모의 데이터 세트에 대한 교육을 실행합니다 그리고 걱정하지 마세요, 당신은 사이트를 분리 할 수 ​​없습니다 물론, 우리는 더 많은 단계와 미묘한 차이가 발생합니다 미래의 에피소드,하지만이 역할을 도움이되는 좋은 기초 프레임 워크로 우리는 우리에게 공통 언어를 제공하는 문제를 생각한다 각 단계에 대해 생각하고 미래에 더 깊이 이동합니다 AI 모험 다음 시간에, 우리는거야 code– 사용하여, 우리의 첫번째 진짜 기계 학습 모델을 구축 더 이상 그리기 라인과 대수학을 통해 것 [음악 재생]

Frontiers by Slack 2017 – Intelligence at Work: How Google Leverages AI and Machine Learning

– 그래, 얘들 아, 이제 함께 우리의 손을 올려 보자, 아니 나를 위해, 확실히, 여유를 들어, 그것을 할 수 있도록, 여기하시기 바랍니다, 멋진 일을 위해, 멋진 작업 전체 여유 팀 가장자리에서 첫 번째 회의 여유가하고있는 것을 우리는 구글 방법 행복하다 좋은 직장과 우리의 협력은 번성 그래서 다시, 좋은 직장들, 첫 회의를위한 훌륭한 일 나는 그들이이 많은 더 많은 일을 할 날 초대 유지 바랍니다

얘들 아, 그래서 내가 아푸어브 색세나 해요, 나는 구글 클라우드의 제품 매니저입니다 나는 직장에서 지능에 대해 이야기 왔어요 그것은 앞에 AI에 대해 이야기하는 것이 재미 개발자 관객, 그리고 나는 나의 동료 리오와 함께 이야기거야 어떻게 구글은 기계 학습을 이용하여 약 및 AI는 내부적으로뿐만 아니라 일부를 노출 교훈의 우리가 우리의 도구를 형성하기 위해 배우고, 구글 클라우드 서비스의 일부로 기계 학습 서비스를 제공합니다 그런데 왜 우리가 상관이야,의 얘기하자? 왜 구글은 클라우드 및 AI에 너무 많은 투자를한다? 그 이유는 그것이 우리의 임무에 바로 다시 묶어입니다 Google의 목표는 전세계의 정보를 구성하는 것입니다 그리고 모두가 편리하게 이용할 수 있도록, 이것은 농부에서, 모든 사람에게 적용 케냐에서 중소 기업 소유자에 캘리포니아에있는 모든 방법 그들이 정보를 찾고 있습니다, 우리는, 더 나은 구글은 우리가 이해한다면 그들에게 봉사 할 매우 수 그들이 찾고있는 무엇을, 어떤 정보, 이미지 무엇 정보, 텍스트가 무엇은 무엇인가 정보 뒤에, 이것은 어디 기계 학습과 AI가 제공됩니다 어떻게 AI를 정의 우리가 구글합니까? 많은 사람들이 들어 AI는 아무것도 하지만, 매우 복잡한 패턴 매칭 구글 우리는 그 이상 생각합니다

AI의 많은 정교한 AI 시스템은 자기 학습입니다 그들은 이전의 상호 작용에서 배우고, 시간이 지남에 따라 개선 할 수 있습니다 그것은 사용자 작업, 사용자 입력으로 시작 검색 상자에 텍스트, 또는 복용 카메라의 사진은, 다음 단계는 이해입니다 어떤 텍스트의 의미를, 그 이미지 뒤에 pretrained 것을 사용하거나 preinformation 이전에 배운 그것으로 지금 다시 공급되는 조치 세트를 온 응답의 형태로 사용자에게, 사용자가 다시 상호 동작 응답에 기초하여, 그리고 루프는 구글 검색처럼 계속 더 나은 당신이 그것으로 상호 작용을 할 때마다이된다 그리고 AI 시스템 자체가 학습하고 시간이 지남에 따라 개선 할 수 있습니다 그리고 이것은 우리가 AI에 대해 흥분하는 이유입니다

우리는 어떻게 흥분? 이 차트는 우리가 얼마나 흥분 보여줍니다 이 그래프 수가 표시된다 깊은 구글 내에서 프로젝트 학습, 마지막 3~4년 이상 당신이 볼 수 있듯이, 성장 지수, 엄청난되었습니다 깊은 학습은 지금은 거의 전력을 공급한다 구글이 만드는 모든 제품 그것은, 의미, 상황에 맞는 전원 것 우리의 사용자 경험을 풍부하게

우리는 사실, 구글에서 AI가 생각 컴퓨팅 다음 패러다임 그냥 PC, 인터넷, 클라우드, 모바일 등이있다 우리의 CEO 인 피 차이 (Sundar Pichai) 이제 AI 최초의 기업 구글을 호출합니다 그리고 우리는이 복잡한 깊은 학습 시스템을 구축으로, 내부적으로, 우리는 세 가지를 배웠습니다 하나, 깊은 학습과 깊은 학습을 많이 competitionally 매우 집약적이다

둘째, 그것은 관리에 많은 데이터를 필요 및 데이터, 처리, 그리고 세 번째 방법 그것은 매우 확장 가능한 플랫폼이 필요합니다 이 모든 우리는 당신에게 개발자를 가져오고 있습니다 Google 클라우드 기계 학습 서비스의 일환으로 그리고 우리는이 이야기에 그 중 일부에 대해 이야기 할 것입니다 그래서 직장에서 AI의 더 눈에 보이는 예 중 하나를 얘기해 보자 어떻게 많은 휴대 전화, Google 포토를 사용합니까? 거의 내가 말할 것이다, 당신의 절반, 그리고 나머지 절반은 놓치고있다 (웃음) 그리고 그 이유는, 내가 당신을 알려주지 Google 포토, 그것은 2 년 다시 시작되었다가되었다 아주 흐리게 사진, 모바일 사진 앱 시장

그것은 가장 널리 사용되는 모바일 사진 응용 프로그램이되었다 즉, 당신이 사진을 정리하는 데 도움이 그리고 놀랄만한 그런 일을하는 이유, 때문에 AI는 기본 중 일부입니다 예를 들어, 당신은 그냥 돌아왔다 상상 알래스카 여행에서, 당신은 확실히 그것을 상상할 수있는, 당신은, 당신은이 놀라운 빙하 호수를 방문,이 있었다 당신은 당신의 친구가 사진을 공유하고자합니다 상황의 많은 당신은 아마 찾아 볼 수있다 사진, 수백 수천 개의 사진의 톤을 통해 해당 이미지를 얻을, 당신이 지금해야 할 일은, Google 포토에있는 검색 창에 "빙하"를 입력하다 밖으로 빙하의 이미지를 온다 그리고 그것은 매우 간단한 경험의 강력한 경험, 그 단순함 뒤에 세련이 많이있다, 예를 들어, 주요 이해는 그 힘 Google 포토 이미지 검색은 이해한다 이 이미지는 객체 또는이 객체 아니라고 산에 눈이 덮여 있지만, 실제로 빙하가 아닙니다 그것은 파란색, 흰색, 푸른 호수에 둘러싸여, 이는 빙하 호수, 그 종류 정보를 쉽게되지 않습니다 당신은 개발자가 일부 구축을 위해 노력하는 경우 앱에서 같은 강력한 이미지의 이해, 당신은 Google 클라우드 임무 API와 오늘을 수행 할 수 있습니다 그 같은 알고리즘 때문에 즉, Google 포토에 전력을 공급한다

의 또 다른 예를 들어 보자 다시, 억 명의 사람들이 Google 번역 사용 매달 당신이 foregin 국가에있는 경우, 이것은 아마 당신이해야 할 모든 생명의 은인입니다 모바일 앱에 구글에 번역, 사진을 촬영하고 당신이 번역하는 데 도움이됩니다 다시 말하지만, 당신은 이런 식으로 뭔가를 가지고 싶다면 앱에서, 무슨 일이 많이있다, 세 가지가 가장 가고있다 구체적 예이다 주요 이해가있어, 메이저 리그는 이해하기 인공 지능이 이미지는 문자가 있음을 이해한다, 텍스트로 그 문자를 변환, 그 변환 엔진을 번역 사용 다른 언어로 텍스트를 번역, 그리고이 모든 휴대 전화에서 수행되어야한다 어떤 인터넷에 연결되어 있지 않을 수 있습니다

그래서 이런 식으로 뭔가를 할 수있는 방법을 개발자로, 당신이 제공하는 경우, 그래서 우리는 Google 클라우드를 제공 할 비전 API는 내가, 우리의 OCR을 위해, 말한대로 두 번째는 번역을 할 번역 API입니다, 그것은 당신이 먹는 데 도움이 모바일에 흐름을 알려줍니다 당신의 알고리즘은 모바일 플랫폼을 최적화합니다 , 경사 하나 더 예를 들자면 자연 언어 이해 당신은 Gmail에서의 사용자의 경우 당신은 Gmail을 사용하는 경우 전화, 당신은 입력하지 않으려면, 많은 사람들이가하는, 특히 짧은 응답, 스마트 응답은 응답을 생성하는 데 도움이 대화의 맥락에 따라 다시 말하지만, 모바일에 짧은 응답의 약 10 % 이 자동 생식 AI에 의해 전원이 공급되지 않습니다 그러나이 뒤에 sophisitication 많은, 거기에 우리가 설계 할 수 있고, 인공 지능을 이해한다 이 대화에 대해 무엇에 대해 아니라고, 뿐만 아니라 톤을 이해하는 톤은 매우 형식적인 경우이 대화는,,에 관한 것입니다 선택 봇의 AI는 당신을 제공 선택 톤은 매우 형식적인 경우, 매우 비공식, 그것은 다른 방법이 없잖아요

그리고 시간이 지남에 따라, 심지어는 개인화 어떻게 인사, 또는 안녕하세요 그리고 그 복잡성의 수준은이다 다시,이 모든 것을 가지고 싶다면, 당신은 클라우드 자연 언어 API로 시작 그러나 이것은 우리가 더 많은 일을, 전부는 아닙니다 그리고 새롭고 흥미로운 물건의 일부에 대해 이야기하기 그 주위에오고, 지금 당신을 넘겨합니다 내 동료에게, 리오 아카사카는 얘기를 새로운 발표의 일부에 대해 너희들을 감사드립니다

(박수) – Apoorv을 주셔서 감사합니다 안녕 모두, 내 이름은 리오, 난 제품 관리자 해요 Google 드라이브에, 당신이 볼 수 있듯이, 우리는 구글에서 정말 심각하게 인공 지능을 그리고 여기에 여러분 모두를보고 정말 흥분, 그 관심을 입증하기 때문에, 아마도 당신은 AI를 사용하여 오늘날 애플 리케이션을 개발하고 있습니다 당신이 알고으로, 구글과 여유 각 시도 지능적인 일을 할 수있는 솔루션을 제안하고, 인생에서 또는 직장에서 중 우리는 이것이 우리가 일하는 방식을 변화시킬 수 있다고 생각 여러분의 많은이, 인식, 지난 12 월이 될 수 있습니다 우리는 우리의 두 제품 간의 긴밀한 통합을 발표했다 이 발표에서, 우리는 발표하고 우리는 말했다 그 스마트 소프트웨어는 함께 팀을 가져올 수 있습니다

나는 스마트 소프트웨어 비트 것을 따로 선택하고 싶다 Apoorv 그냥 이야기 일의 맥락에서, AI의 조건과 우리가 어떻게 AI 구글 구축한다 당신은 그것을 조금, 그것은의 기능을 잘 수 있습니다 그것은 숨겨져 있지만 Google 드라이브 내에서이라고 활동 스트림은, 그것은 연대기이다 일어난 모든 중요한 이벤트 당신이 소유 한 파일을, 사람들은 어쩌면이 문서에 댓글을 사람들이있을 수 있습니다 해당 문서를 공유, 사람들은 주위를 이동했을 수 있습니다 그리고 사용자는 정말 그들이 할 수 있기 때문에 사랑 변경 사항을 추적합니다 그들은보고 싶었어 수있는 무엇을 채울 수 있습니다

그러나 모든 사용자 우리는 이야기와이 기능을 말한다 전시 이 중대하다, 당신은 내게 모든 정보를 표시하고 내가 할 수있는 것을, 당신도 알다시피, 생산성을 사용, 하지만 그것은 단지 너무 많은 정보의 치명적인 결함을 가지고있다 어떻게 당신은 정보 근로자로 나를 도울 수, 지식 노동자, 결정 및 결정 가장 중요한 사건은 무엇인가? 나에게 그 한 가지가 아닌 100를 알려주십시오 작년의 과정 동안, 우리가 실제로 시도했습니다 기능으로,이 문제를 해결하려면, 당신은 또한 수도 라는 빠르게 액세스에 대해 잘 알고 있어야 그것이 무엇 때문에 지금이 정말 멋지다, 입니다 우리가 생각 네다섯 문서를 선택 당신은 아마 열고 Google 드라이브에왔다 이 기능 뒤에 두 개의 AI 모델은 실제로있다

열려는 구글에 와서 문서화하는 하나는, 예측하는 다른 하나는 당신에게 이유를 제공합니다 당신은 아마 해당 문서를 열고 자 첫 번째로 생각, 당신이 알고, 우리는 당신을 가장 중요한 이벤트 말할 수 있습니다 인공 지능 모델은 기능의 무리가, 나는 사실은, 공개적으로 세 가지에 대해 하나를 이야기 할 수 그 아마도 당신이 꽤 정기적으로 문서를 열고, 그래서 예를 들어, 당신은 월요일 아침 회의를 가지고, 당신은 아마 그 문서를 열 가능성이있어, 매주 월요일, 그건 아마 좋은 이유 왜 당신은 아마 해당 문서를 원하는, 제일 먼저 드라이브에 볼 수 있습니다 둘째, 당신은 문서가있을 수 있습니다 즉, 그것은 많은 사람들을 불고, 정말 인기 주석, 또는 그것을 공유하고 있습니다 즉,이 중요하다는 것을 나타내는 좋은 지표이다 우리는 사용자 당 모델을 가지고하지 않는 한, 우리는, 좋아, 결정 당신은 아마 특정 속성을 가지고 이 문서와 어떻게 상호 작용하는지, 아마, 예를 들어, 나는 나의 매니저에서 온 문서를 열 거의 즉시, 내가 알고 있기 때문에 아마 내가주의를 기울여야한다 뭔가

그래서 사람들은 세 가지 기능은 당신이 상상할 수있는 다른 기능의 전체 호스트이 이 문서의 어떤해야, 결정으로 이동 등 주요 부동산에 나열 나는 방법을 보여줍니다 당신과 함께이 모의을 공유하고있어 모양을 여유와 우리의 미래를 통합 중 하나 그래서 여유에서 일하고 있어요,이 경우의 생각, 즉, 문서에서 일어나는 대화의 많은입니다 바로, 지금은 내가 아무 생각이 없다, 드라이브에 돌아가 그 활성 대화가 일어나고있는 일에 대해, 나는 놓치고, 그래서 우리는 그것을 어떻게 해결할 수 있다면, 쇼 케이스에 의해 동일한 AI 모델, , 당신이 알고있는 해당 문서의 어떤, 대화는 여유 내에서 일어나고있는 우리는 여유에서 그 같은 이벤트를 사용하여 전시한다 의 12 월에서 그 발표로 돌아 가자 내가 말할 수있는 동안 지난 해, 나는 생각하기 때문에 당신에 대해 우리가 구축하는지에 대한 조롱 미래에, 당신은 정말 관심 우리는 오늘을위한 제안에 무슨 그 진술의 다른 부분, 우리가 공유 한 것으로 지난 12 월은 그 일이었다 그리고 대화가 원활해야한다 한 곳에서 가능합니다

이제 이것은 매우 간단 문구처럼 보인다, 하지만 실제로 나에게 중요하다 는 사실을 보여줍니다 때문에 우리는 싶지 않아 통합을 만들기 위해, 그 사용자를 제공합니다 우리 자신의 제품의 각 즉 여전히 유효한 통합 될 것이다, 그러나 우리는 사용자가 작업을 완수하기 위해 필요하다고 생각 그들은 괜찮아, 그들이에있는 장소에서 수행 될 필요가있다 그리고 특히 당신이 구글을 알고 우리는 사용자 경험과 뛰어난 사용자 경험의 가치를 당신은 크리스티나가 같은 감정 것을 공유 듣고 어제뿐만 아니라, 그래서 우리는 우리가 있다고 생각 여기 정말 좋은 회사입니다 그래서 오늘, 나는 당신과 함께 공유 흥분 방금 이전 기조 연설에서들은 것을 미리보기, 슬랙 내에서 드라이브 알림의 통합 이제 비디오는 항상 일을 설명하는 더 나은 일을, 그래서 나는 비디오 롤을 할거야

(경쾌한 음악) (박수) 불황기에 우리의 친구 덕분에 우리는 현재 그리고 팀의 작은 세트에 출시하는 것 다음 몇 주 동안을 출시 할 계속 우리가 생각하는 이유를 설명 할 수있는 방법의 일환으로 이 실제로 매우 가치있는 통합입니다 개발을 위해, 우리는 통계 지난 12 월 공유 내가 생각하는 것이 꽤 놀라운했다 구글 드라이브 파일은 여유로 가져 계산은 한 번 정도, 맞다면 매 14 초, 60,000 회 나는 오늘 당신과 함께 공유 흥분 그 숫자가 거의 네 배 증가했다고, 그것은 실제로는 네 배 이상이다 만 Google 드라이브 파일의 내무반 매일 슬랙 내에서 공유됩니다 즉 백만 기회 분기의 때 중요한 것을 사용자에게 알려 그래, 그 문서에 일어나고있다

그래서 비전은 우리가이 여행 시작 12 월이었다 뒤에, 우리는 우리의 사용자가 어디에가되고 싶어요, 그리고 우리는 그들이 완전히 생산있어이 있는지 확인하려면, 그들이 어디에 있든지 파일이 저장되는 위치, 드라이브이며, 대화가 일어나는 장소와 공유, 멋대로이며, 바로, 그리고 우리가 공유 한 통계에 의해, 그것은 명확하게 보여 사용자가 필요합니다 그래서 Drivebot이 방향으로 첫 번째 단계입니다 이제 Drivebot 내가 사용하는 이름입니다 이 프레젠테이션하는 동안, 사실, 세계의 나머지로는 구글 드라이브의 슬랙 내에서 통합, 단일 응용 프로그램입니다 지금 이것은 실제로 중요한 세부 사항이다, 시키는 사용자는 기존의 사용보다는 새로운 봇에 통합, 압정 드라이브, 우리는 실제로이 같은 것을 통합하고 원활한 사용자 경험, 지금, 그것은,이 프리젠 테이션 동안 나를 위해 조금 쉽게 대신 Google 드라이브의 통합을 말하는 슬랙 내 Drivebot를 참조하십시오, 하지만 먼저 사용자를 넣어, 우리가 실제로했습니다 그들이이 생각할 수 있도록했다 기능의 세트로서 확장 즉, 풍부한 미리보기와 같은 현재 사용할 수있는 검색에서 정보 공유 및 인덱싱 Drivebot는 4 개 개의 알림 유형을 지원합니다 먼저 문서에 주석이 발생할 때마다 당신이 걱정하는 것을, 어쩌면 당신은 언급했다, 또는 소유 한 문서

둘째, 팀에 누군가가 수 없습니다 당신이 작업했던 문서를 보려면, 당신은 그들과 함께 공유하기를 원해요 그 메시지를 전달,의는 쉬운을 만들어 보자 여유 시간 내에 선진있다 새로 공유 파일, 헤이, 소마, 여기에 내가 당신과 함께 공유해야 할 문서입니다, 괜찮아, 좀 걸릴 수 있습니다? 우리의 마지막으로 확실히 적어도, 저장, 우리는 꽤 intregal 부분이라고 생각 Google 드라이브를 사용하는 경험, 우리는 당신이 밖으로 실행하는 경우이 있는지 확인하려면 저장, 당신이 알고, 조치를 취할 수 있습니다 Drivebot은 첫날부터, 엔터프라이즈 그리드 준비가되어 있습니다 우리가 많이 알고 있기 때문에 그리고이 중요하다 당신은 엔터프라이즈 그리드로 마이그레이션을 고려하고의 이미, 그리고 마지막 것은 당신이 원하는 인지 여부를 Google 드라이브에 대한 걱정 마이그레이션을 지원할 수 있습니다 Drivebot은 GCP 위에 구축 다시,이 앱을 개발하고 당신을 위해 중요하다 우리는이 응용 프로그램을 개발하는 지름길했다 없기 때문입니다

우리는 내부 기술을 사용하지 않은 구글에게 제공하면이 로봇을 빌드합니다 봇은 앱 엔진에 자바를 사용하여 구축 슬랙 및 드라이브의 사용자 사이의 매핑 클라우드 데이터 저장소에 저장하고 SPII한다 또는 암호화 가능한 정보의 종류는 클라우드 KMS에 저장됩니다 당신의 대부분은 응용 프로그램 개발자 그리고 나는 들었다 피드백은, 당신이 알고 싶어했다 무엇을 교훈 중 일부는, 무엇 일부 나는이 과정을 통해 배운 것들 지난 6 ~ 9 개월, 나는 너희들이 멀리 걸릴 수 있습니다, 당신과 함께 공유 할 수 자신을 구축, 그래서 나는 갈거야 간단히 그 중 넷을 통해 무엇보다도 여유는 실시간 통신 응용 프로그램입니다 즉 주어진, 권리인가? 그러나 통지는하지 않습니다

알림 지능적 번들로 제공 될 수있다, 그들은이 지연 될 수 있습니다 우리는 꽤 촬영했습니다 고려의 확인 우리의 알림이 있는지 확인합니다 스마트 될 수 있지만 때로는 너무 똑똑 할 수 있습니다 사용자는 실시간으로 의견과 정보를 기대하는 경우 여유 시간 이내에 통해 오는, 그들은 스스로를 관리 할 수 ​​있습니다 불황기의 노력의 정말 놀라운 일을 당신이 무엇을 중요하고 무엇을하지를 필터링 할 수 있습니다 그래서 우리는 그렇게 알림을 언급 할 필요가 없습니다 곧 우리는 그들이 사용할 수있어 알고 당신에게 온다 우리는 브랜드를 균형의 까다로운 작업을했다 여유의와 구글의 정체성 슬랙은 멋진 사용자 경험의 패러다임을 가지고 우리는 존중하고 싶었다, 그러나 우리는 싶다고 또한 작업의 익숙하기 Google 제품과 함께

그래서, 이들은 매우 간단한 예입니다, 나는 앞으로 많은 기회가 있다고 생각, 하지만 예를 들어, Drivebot를 호출하는 instaed 우리는 Google 드라이브, 그 친숙의 이름을 유지했다 당신은 오,이 어떻게 든, 생각하지 않습니다 구글 관련, 확실하지, 그것은 Google 드라이브입니다 그러나, 우리는 재미의 조금 주입 메시지 및 첨부를 사용하여 색이 친숙 즉, 우리가 같은 로고 색상을 존중 네 가지 색상의 네 통지 형 우리가 더 많은 알림 유형이있을 때 이제 어떻게됩니까? 꽤 아직 당신에 대한 답변이 없습니다 그러나, 이점은 사용자가 지금 실제로 할 수 있다는 것입니다 알림 유형 사이에 상당히 빨리 구별

저장 특히 때문에, 빨간색 인 저장 용량을 실행하는 경우, 당신은하지 않습니다 Google 드라이브를 사용할 수 있습니다 셋째, 여기에 내가 생각 흥미로운 통찰력입니다 그것은 이해하는 나에게 조금했다 이메일 또는 장치를지나 갔지만 통지 정말 당신의 응답을 기대하지 않습니다 어쩌면 당신은 빠른 조치를 취할 수 있습니다, 어쩌면 당신은 그것을 와이프 수 있지만 기대가 없습니다 말할 수있는의, 이봐, 내가 뭔가를하고 싶어, 나는 로봇이 우리에게 그 어포던스를 제공,이 질문에 답변합니다 그리고 우리는 여기에 아직 초기 단계에있어, 하지만 지금 우리는 컨트롤을 제공하고 무엇을하고있는 여유 내에서 드라이브 설정을 관리 할 수 ​​있습니다 이것은, 그것은 여유 설정을 관리 아니에요 중요하다 이 반영 동일한 설정을 관리하는 것 드라이브 UI 내에 단순 응답을 사용하여 같은 ON, OFF, 이상적, 당신이 피드백을 제공 할 수있는 경우도 환상적 일 것이라고

마지막으로,하지만 당연히 적어도이 다시 harkens 크리스티나는 어제에 대해 얘기 물건에 바로, 먼저 사용자를 넣습니다 우리는 우리가 생각하는 상호 작용의 무리가 사용자에 대해 아는 것이 중요하다, 왜 그들이 쉽게? 무엇, 우리가 할 수있는 가장 쉬운 일이 다시는 매우 단순하고 간단합니다 데모,하지만 주위의 기능 액세스 권한을 부여하는 것은 당신에게 필요하지 않습니다 실제로 액세스 권한을 부여 Google 드라이브로 이동 당신의 동료에 대한 해당 문서에 당신은 메시지 액션 내에서 할 수 있습니다 해당 키 응용 프로그램 내 그래서 우리는 입증 된 사용자의 필요성에 대해 이야기했습니다 우리가 사용할 수있는 기술에 대해 얘기했습니다 직장의 생산성을 위해, 우리는 설계 고려 사항에 대해 이야기했습니다 즉, 가능한 한 이러한 상호 작용이 원활한합니다

Drivebot, 내 마음에, 첫 번째 단계입니다 이유 이 지능형 협업 작업 공간을 향해, 것들의 마음에 미래 내가 전에 당신과 함께 공유하는 자,이는 구글과 여유 이야기의 시작이다, 개발자로, 같은 개발 열망있어 뿐만 아니라 마법의 사용자 경험의 종류, 그래서 대화를 통해 일을 마무리하겠습니다 Apoorv 방금 언급 한 몇 가지 도구에 대한, 당신은 당신의 손끝에서 가지고 당신의 안락 수준 및 친숙도에 따라 희망입니다에 구축 할 수있는 플랫폼으로 GCP에서 매우 간단한 요구 사항 여기에 당신이 할 수있는 다른 것들입니다 인공 지능 당신이 연구원 인 경우에, 누군가가 정말 싶은 사람 잡초에 들어가 흥미 진진한 구축하기 위해, 일을 기준으로 지능형 모델이 우리는 심지어 우리가 아직 필요 모른다

TensorFlow 당신을위한 솔루션입니다 당신은 모델 데이터 과학자 경우 하지만 당신은 능력 투쟁,이 많은 양의 데이터에 대해 교육하고, 참 또는 거짓 양성을 결정합니다 MLEs, 기계 학습 엔진은, 당신의 솔루션입니다 당신은 앱 개발자, 그리고 만약 내가 코딩 좋아 주말에 내 자신뿐만 아니라, 그리고 당신이 정말로 두 모델을 처리하지 않으려는 또는 트레이닝 세트는 이러한 사전 패키지 된 제품을 사용할 수 있습니다 음성, 번역, 비전 및 MLP에 대한 API를면한다 우리가 한 사물의 같은 종류의 구축, 사진과 함께하고 번역합니다

나는 특히 해요 왜 일을 마무리하기 위해, 일종의 흥분, 내가 사람의 일반적으로 낙관적 친절 해요, 그런데 왜 나는이 통합에 대한 흥분 우리가 실제로 가지고 것을 증명하기 때문이다 우리 자신의 조언을 찍은주의가 우리가 일반적으로 우리 개발자들에게 제공합니다 우리는 많은 양의 데이터로 작업 그리고 당신도,해야 우리는 우리의 제품에 지능을 통합하려는 우리는 통지 간단한구나 추가 확장, 우리는 또한 활용하고 오픈 플랫폼과 생태계의 각각의 정말 큰 무언가를 구축 그것의 합보다 부분입니다 이것은 우리가 여유를 사용한 적이 한 방법입니다 흥미로운 무언가를 구축, 우리는 바라고있어 당신은 흥미로운 구축의 예로서 이것을 사용합니다 다음 몇 달 및 주 동안 새로운 것을, 고맙습니다 (박수) 나는 우리가 약간의 시간을 믿는다 질의 응답 & A에 대한, 그래서 Apoorv 다시 올 수 있습니다, 당신이 가진 모든 질문에 대답하고 행복 나는, 우리는 당신과 점심 사이에 서 알 하지만 난 당신이이 질문에 대한 흥분

시원한 그래, 손을 올립니다 – [대상 회원] 나는에 대한 질문이 있습니다 – 아, 죄송합니다, 그래 – [대상 회원] 안녕하세요, 질문이 있습니다 당신은 장기 비전의 비트를 공유 할 수 슬랙의 통합을 위해, 드라이브, 드라이브 자체에, 그래서 예를 들면, 사람, 당신은 누군가가 만들고 새 파일을 공유하는 우리에게 보여 누군가가에 대해 언급하고 싶습니다 느슨한 내에서, 그것을 끌 수있는, 아니면 더 상호 작용을, 파이프 라인이 뭔가를 얻을 수있을 예정입니까? – 그래서 질문처럼, 우리의 장래 계획은 무엇입니까되었다 및 통합을위한 풍부한 상호 작용은 무엇인가 우리는 우리가 제공 할 수있는 생각 번호를 하나의 피드백은 기꺼이 또는 욕망은 회신하여 언급 할 수 우리가 보내는 메시지, 우리는 정말 중요한 기능이라고 생각, 나는 불행하게도 일정에 대해서는 언급 할 수 없습니다 그러나 그것은 우리가 적극적으로 고려하고 무언가이다 사물의 무리 실제로있다 통합 타임 라인에서 당신은 실제로 수 미래에 볼 수있는 블로그 게시물을보고 우리가 만드는 건지, 구체적으로는, 그 통합의 다음 단계, 또는 드라이브 내에서 마법의 경험을 제공 여유 데이터를 사용하여, 실제로 퍼팅 이 모든 것이 우리가 함께 무엇을 사용하여 구글라는 팀 드라이브, 이제 팀이 드라이브는 어디 팀의 구조입니다 드라이브 내에서 파일을 저장할 수 있습니다, 우리는 멋대로 내에서 여유와 채널과 팀을 생각한다 그에게 아주 좋은 평행, 그래서 기대 정말 다음 단계로이 문제를 가지고 통합 어디 슬랙에 팀 개념이 정말 시작 드라이브, 반대의 경우도 마찬가지 내에서 노출되는, 당신이 알고 왜 말을 조금 어렵다, 통합은 여유 측면에서 작동하는 방법 정말 모두에있을 필요가 없기 때문에, 하지만 곧 그 주석 기능에 대한 자세한 소식을 기대합니다 감사

– [대상 회원] 감사합니다 사실에 관한 질문을했다 원활한 인증, 나는 여유 시간을 이용, 내 멋대로 계정을 읽은 후 나는 Drivebot 전화, 당신은 단지 파일에 일부 이벤트에 알림을받을 알고 로봇이 내 Google 계정이 필요 않습니다, 어떻게 내가 누군지 아는가, 당신의 예를 너무, 누군가가 사라에 대한 액세스 권한을 부여 하지만, 사라의 여유 계정이었다 그것은 알 수 있습니까 어떻게하는 Google 계정 그냥 정교한 수 있다면, 사라를 위해입니다 그 조금합니다 – 물론입니다 그래서 방법이있는 우리가 알고있는 사람 불황기에 구글이의 사용자입니다 실제로 모두에 인증을 요구하여, 그래서 당신은 익숙한 수 있습니다 오늘날 우리가 가지고있는 통합, 당신은 여유에서 이동하는, 당신은 복사 및 붙여 넣기 드라이브 링크, 당신은, 헤이 말, 슬랙 봇 클릭 당신은 부자 미리보기를하고 싶지 않습니다 액세스 권한 부여 및 인덱싱, 예를 클릭, 그것은, 구글 인증 지금이 봇은 실제로 동일한 기능을 수행합니다 구글을 인증하도록 요구하여 이 불황기에 액세스 할 수 있고,하기, 우리는 매핑 슬랙 및 드라이브에 사용자를 유지하는 것이이 그리고 우리는 선진 시장으로 그 메시지를 보낼 수 우리는 채널을 전송하지 않습니다 – 우리는 부스에 있습니다

– 네 – 그래서 와서 우리와 함께하시기 바랍니다, 당신이 구글 그룹에 대한 추가 질문이있는 경우, 우리가 당신의 질문에 대한 답변을 사랑합니다 고맙습니다 – 고마워, 안녕

Google’s Teachable Machine (AI Experiment) helps anyone to understand Machine Learning easily

일본 정렬 오이 농부를 돕는, 좋아하는 개 사진을 찾을 수 있도록에서, 기계 학습은 사람들이 문제를 해결하기 위해 코드를 사용하는 방법을 변화하고 있습니다 하지만 어떻게 기계 학습은 실제로 작동합니까? 구글은이 기술을 배우기에 대해 호기심이 사람들을 위해 쉽게 만들고 싶었다 그것에 대해 더

그래서 그들은 당신이 사용하는 기계를 가르 칠 가르 칠 기계, 할 수있는 간단한 실험을 생성 카메라 – 라이브 브라우저는 더 코딩이 필요하지 않습니다 가르 칠 기계는 그것을 쉽게 deeplearnjs라는 새로운 라이브러리로 구축 모든 웹 개발자를위한 기계 학습으로 얻을 수 있습니다 그것은 당신의 신경망 바로 브라우저 로컬 훈련 당신의 장치없이 서버에있는 이미지를 전송 구글은 또한 할 수 있도록 지원하는 새로운 실험을 다른 사람에게 영감을 코드를 오픈 소스 화했다

Google’s AI is Learning! || The Types of AI

올해는 개인 정보 보호를 통해 편의를 계기로 2017 년이며, 모두가 자발적으로 구글에 자신의 정보를 제공합니다 기술 확장의 출현으로,이 프로세스는 쉽게된다

우리의 삶의 방식에 혁명을 약속, 구글은 모든 당신이 그들의 환상에 사 줄게 희망으로, 이러한 발전의 더 많은 자금을 시작합니다 Play 스토어 구매를 통해 픽셀 폰, 피트니스 추적, 은행 계좌 번호 그들이 당신에 수집 정보의 목록은 성장, 그것으로, 그렇게도 중요 유일한 원수의 지식을합니다 나는 귀하의 Google 조수입니다 내가 어떻게 도움이 될 수 있습니다? 어떤 사람들이야? 채널에 다시 오신 것을 환영합니다! 나는 당신이 빠른 소개를 즐길 바랍니다! 난 당신이 지금에 집어 확신으로 오늘 우리는 AI에 대해 말하고있다

보다 구체적으로, 우리는 질문을하고, 구글은 스카이 넷을 구축 할 것인가? 그래서 은박지 모자를 잡아와 "당신이 살고 싶다면 나와 함께!" 의 그것과에 균열하자! 이 스튜어트 암스트롱, 당신이 들어 본 적이 있다면 누군가가 AI가 2040 주위에 감각이 될 것이라고 말하고, 그들은 아마도 무의식적으로 자신의 작품의 일부를 참조하고 있습니다 잠시 뒤, 참조, 그와 몇몇 다른 사람은 이상으로 몇 가지 조사를했다 95 예측 일정은 정확성을 측정하기 위해, 우리는 우리의 예측 이론의 모든 사각 지대를 가지고 있는지 그 때 AI에 대한 정확한 날짜를주지 않았지만 특이점은 그가 그렇게 한 것은 주제에 소위 "전문가 의견"신비성을 제거하는 데 도움이이었다 발생할 수 있습니다 기본적으로 간단히 말해서, 그는 아무도 모른다 말했다 사람은 누구나 하루의 끝에 있지만, 전문가를 포함하여, 예측을 할 수 있습니다 어느 경우에 – 우리는 단지 그것이 일어날 것이다 때 몰라! 그러나 당신이 비디오를 클릭 그 이유는 아마 아니다 말했다

아니! 당신이 알고 싶어하기 때문에 당신은 아마 비디오를 클릭했습니다 전혀 기회 – – 기회가있는 경우입니다 구글의 자체 인공 지능 불량 갈 사람? 그럼, 먼저 인공 지능의 세 가지 종류가 있다는 것을 이해할 필요가 그 질문에 대답합니다 : 약한 AI, 강력한 AI 및 Superintelligence 약한 AI의 좋은 예는 처음에 보았던 것입니다; 구글의 자신의 구글 도우미 구글 도우미 같은 약한 AI 의식이 없습니다 그것은 특정 기능을 작동합니다

그것은 당신을 위해 인터넷을 검색 할 수 있습니다 그것은 당신이 자신의 다른 기술과 상호 작용할 수 있습니다 그러나 그 이상, 그것은 꽤 제한적이다 즉, 구글은 게임 형에서 선택을 할 수있는 AI를 개발하고있다 상기 상황, 그리고 그것이하기로 결정했다 폭력 결정에 몇 사람을 흥분했다 그러나 하루의 끝에 그것의 안전에 대한 몇 가지 우려를가하면서, 약한 AI는 것을 추론 할 수없는, 어, 당신은 알고있다 – 인류는 바이러스입니다! * 스미스는 * 강화 하지만 난 당신을들을 수 있습니다! 당신은 "좋아, 구글의 AI는 아직 아니지만, 그게되지 않습니다 것을 의미하지 않는다!"말을하는지 과 실제로, 당신은 말을 잘 수 있습니다! 몇 달 전 구글은 그들이 AutoML이라는 것을 구축하는 과정에 걸 공개, 참조하십시오

그리고 그것은 매우 우리가 강력한 AI에 도착 이유가 될 수 있습니다 AutoML은 배우고 자신을 가르 칠 수 있도록 설계되었습니다 강력한 AI 또는 AGI도 불리는이 약한 변종 넘어 단계입니다 뿐만 아니라 수 AGI 우리처럼 자체에 대한, 그것은 의식을 가지고 생각합니다 본질적으로, 그것은 지구상에서 가장 똑똑한 가장 재능있는 사람들과 같은 수준이다 – 그 넘어에 다가갑니다하지 않을 경우! 그러나이 시점에서 그것은 과정의 마지막 단계에 도달하지 않았다

혹시 SCP와 같은 게임을 한 경우,이 익숙한 소리가 있습니다 사실로, SCP-079는 아마 내가 생각 생각할 수있는 최고의 사례 중 하나입니다 그것은 인터넷에 연결되지 않은, 그것은 자신의 하드웨어에 남아 이것은 구글이 대중의 지식 적어도 아직 달성되지 무언가이다 우리가 말했듯이, 그들은 그것에 노력하고 있습니다 그것은 어느 순간에 일어날 수! 우리가 비록이 점에 도착하면, 인터넷 연결이있는 경우, Superintelligence – 그것은 세의 마지막 변종으로 진화 전에 만 정말 좁은 기간이있다 Superintelligence 모든 미래 학자 꿈과 악몽! 뿐만 아니라 그것은 자기 인식 그러나 그것은 또한 자신을 업그레이드하고, 현재 알려진 모든 정보에 액세스 할 수 있습니다 일부 추정은 구글 혼자 말을 감안할 때 인덱스는 위쪽으로 백삼십조 웹 사이트, 그것은 걱정하기 시작하는 아주 쉽게! 뿐만 아니라 그것은 모든 웹 사이트에 액세스 할 수있는 것, 하지만 소개에서 언급 한 것처럼, 그것은 아마도 휴대 전화, 은행 계좌 번호, 개인 파일에 액세스 할 수 있습니다

그것은, 그것은 단지 짧은 시간이 될 수없는 경우 그리고 그것은 그렇게 할 수 있도록 자체를 업그레이드하기 전에 그것이 시작되면 업그레이드 가능한 범위 지수 그래프이다 그럼, 다시 손을 질문에 구글은 스카이 넷을 구축 할 것인가? 그들은이 모든 정보를 가지고, 기회가 주어진 기술, 기회, 쉽게 사용할 수가 발생합니다 즉,뿐만 아니라 우리는 또한 테스트에서 보았 듯이 Superintelligence 그 프로그램에서 개발하면 어디 구글의 약한 AI는 적대감을 보여줍니다 – 이 경우에도 그 문제에 그것의 떨어져으로 구축하는 경우 또는 – 우리는 미래에 대한 큰 희망이 없을 수 있습니다! 그러나, 소중한 뷰어, 모든 절망적 없습니다

기술 억만 장자와 사람 나는 다른 사람들과, 그 어느 문제가되면 우리는이 문제를 방지 할 수있는 방법을 제안 함께 지속적으로 엘론 머스크 좋겠어요 그것은 모든 회원이 배트맨이었다 제외하고 지구가, 자신의 개인 법무부 리그가 있다면 같다 사향의 더 과감한 신경 레이스에 페일 세이프 (fail-safe)에서 건물에서 범위를 모든 방법을 제시 한 몇 가지 무엇이든 결과, 우리는 Superintelligence가 도착하는 시간에 의해 유지하는 방법을 발견하지 않은 경우, 구글은 어디서 모든 시작에서, 그리고 어디에 모두 끝 있습니다 어쨌든, 항상 나는 당신이 그것을 즐길 바랍니다! 당신이 칠 확인 한 경우 "나는 돌아올 것이다!"버튼을 가입하고 그리고 당신은 당신이 나에 대한 비디오를 만들기 위해 원하는 무엇이든이있는 경우, 아래의 코멘트에 그것을 넣어 있는지 확인하십시오! 다음 시간까지, 당신이 모든 질문을 확인하고 난 다음 하나에 보자!

Inside Google’s DeepMind Project: How AI Is Learning on Its Own | Max Tegmark

나는 단순히 복잡한 목표 달성에 얼마나 좋은 일 같은 지능을 정의합니다 인간의 지능 오늘날 다수의 기계 정보 오늘부터 매우 다르다 방법

첫째, 과거에 기계 지능에 그냥 항상 열등로 사용 인간의 지능 점차적으로 기계 지능은 매우 특정의 인간의 지능보다 더있어 빠른 포켓 계산기처럼 숫자를 곱 또는 큰 기억과 같은 좁은 영역, 정말 빠른 데이터의 양 우리가 지금보고있는 것은 그 기계의 지능이 그 좁은에서 약간 퍼지는이다 봉우리와 조금 더 넓은지고 우리는 여전히 인간의 지능, 인간 아이가 할 수있는만큼 광범위 아무것도 없다 거의 모든 목표 꽤 좋은 얻을 배울 수 있지만, 그 예를 들어, 지금은 시스템이 컴퓨터 게임의 다른 종류의 전체 넓은 길을 재생 배울 수 또는 드라이브하는 법을 배워야 꽤 다양한 환경에서 자동차 그리고 어

어디에서 일을 분명히 AI에 가고는 폭을 증가하고, AI의 성배됩니다 연구는 인간의 지능만큼 광범위 기계를 구축하는 것입니다, 그것은 좋은 얻을 수 있습니다 아무것도에서 그 일어난 일단 단지 인간만큼 폭 넓은 될 것 아니에요 매우 가능성 하지만 지금은 그냥 오른쪽이 아닌, 모든 작업에서 인간보다도 더 나은 나는 꽤 컴퓨터 괴상한 나 자신이야 고백해야합니다

나는 고등학교와 대학에서 다시 일부 컴퓨터 게임을 쓴, 그리고 최근 내가 봤는데 MIT에서 내 연구실 깊은 학습 연구를 많이하고 그래서 정말 좋아 저 멀리 날려 뭔가 "워"내가 처음이 구글 보았다 때 처음부터 컴퓨터 게임을 배운 DeepMind 시스템 당신은 컴퓨터 게임이 무엇인지 몰랐, 신경 네트워크 시뮬레이션이 인공 있었다, 그것은 화면, 당신은 단지 숫자에 공급 무엇인지 모르고, 컴퓨터가 무엇인지 몰랐다 그 화면에 서로 다른 색상을 표현하고 다른 출력 할 수 있음을 말했다 또한 대해 아무것도 모르는 다른 키 스트로크에 해당하는 숫자, 다음 그냥에게 점수를 먹이 유지하고, 모든 소프트웨어 아는 것은 무작위로 수행하려고하는 것이 었습니다 그 점수를 극대화 할 물건을한다 나는 화면 한 번 데미스 하사비스, 구글 DeepMind의 CEO에이를보고 기억 를 보였고,이 일을 정말 총 BS 전략을 연주하고 모든 손실 얼마나 첫번째보고 시간 후 다음 점차적으로 더 나은 얻고, 다음은 나보다 더 나은 얻고, 그것은 당신이 반송되어있는 브레이크 아웃이 미친 전략 (파악하면서 는 왼쪽 상단 모서리까지를 목표로 계속 것입니다 벽돌 벽의 떨어져 공) 거기에 구멍을 천공하고 다시 단지 주변에 튀는 공을 가지고 미친 많은 점수를 달성했다

그리고 나는 "우와, 즉 지능이다!", 같았다 그리고이 프로그램 사람은 심지어 그들이 때문에 그 전략에 대해 알고하지 않았다 매우 그 게임을하지 않았다 이 기계 지능이 작성자의 지능을 능가하는 방법에 대한 간단한 예입니다 인간의 자녀와 같은 방법으로 훨씬보다 더 지능이되고 결국 수의 부모가 교육을 잘합니다 이것은 단지 작은 작은 컴퓨터 바탕 화면에 미칠 수있는 하드웨어의 일종이다 지금 가장 큰 컴퓨터 시설까지 확장 상상하면 우리가 세계에 있고 내가 바로 그 그럴듯한 생각, 우리에게 알고리즘 개발의 더 수십 년을 제공 우리는 단지 우리보다 더 나은 컴퓨터 게임을 배울 수있는 기계를 만들 수 있지만, 게임 삶을 볼 수 있으며 우리보다 더 나은 모든 것을 할 수 있습니다