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

Meet our machine learning makers

[음악 재생] 내가 구글 여기에 소프트웨어 엔지니어를 해요 : 제프 딘 나는 구글 브레인 팀을지도한다 KATHERINE CHOU : 나는 제품의 헤드 해요 구글 두뇌와 건강을 위해

SAMY BENGIO : 나는 뇌 팀의 연구 과학자입니다 SARA HOOKER : 나는 구글의 35 거주자 중 하나입니다 Azalia로 불림 MIRHOSEINI : 저는 연구원 해요 구글의 뇌에서 라자하기 Monga : 나는 구글 TensorFlow을지도한다 자스민 HSU : 저는 소프트웨어 엔지니어로 일 구글 브레인 팀, 특히 뇌 로봇에 팀

[음악 재생] 아잘리아 미로세이니 : 난 항상 수학 많이 좋아했다 고등학교와 마찬가지로 거의 모든 내가 그랬어 수학 문제를 해결했다 그리고 퍼즐처럼보고 있었다 제프 딘 : 나는 종류의 손 대고 시작 프로그래밍에, 주로 게임 그래서 나는 그들에게 자신을 재생할 수 있습니다 자스민 HSU : 내가 어렸을 때, 나는 원 이 미친 과학자처럼 될 수 있습니다

내 생일이 같은 과학자 키트를 얻었다 SAMY BENGIO : 내 학부의 말에 기억 나는 일반적으로 일하고 싶어하지 않았다 그래서 작동하지 않을 어떤 방법을 찾고 있었다 그리고 나는, 마스터하고 박사 학위를했다 그리고 나는 깊은 학습 연구를하고 끝났다 [음악 재생] 자스민 HSU : 정말 그냥 같은 연습을 앉아 할 언어와는 대화 형식 인공 지능을 말한다

사라 후커 : 이해하려고 노력 우리는 인간이 상호 작용하는 방법 사이의 링크의 일부 세계와 어떻게 기계가하는 일은 내 현재의 강박 관념이다 자스민 수 : 또 다른 것은 정말입니다 인공 지능이 할 건 되고 싶어 나는 같은, 솔로 피아노를 통해, 내가 원하는 때 그들을 내 백업 밴드가 될 수 있습니다

[음악 재생] 아잘리아 미로세이니 : 조기 발견 암 또는 실제로되는 치료와 함께 오는 유효한 새미 벤지오 : 세상의 모든 불균형을 최소화하려면 여부는 성별 불균형, 재정 불균형이다 캐서린 추 : 모니터링 자원 지구상에서 후도 인 효율적인 방법으로 그것을 관리 할 수 라자하기 Monga : 그것은 단지 연구에 대해이 아니다 그러나 우리는 사람들의 삶을 개선하기 위해 그것을 사용하는 방법 [음악 재생]

Hello World – Machine Learning Recipes #1

여섯 줄의 코딩으로 첫 번째 머신 러닝 프로그램을 작성해 봅시다 제 이름은 조쉬 고든이고요, 오늘 저는 머신 러닝으로 Hello World를 작성하기까지 안내하려 합니다

이 시리즈의 초기 몇 개의 에피소드들은 여러분이 머신 러닝을 기초부터 시작하는 방법을 알려 드릴 겁니다 우선 오픈소스 라이브러리 두 가지를 다룰 것입니다 사이킷-런(Scikit-learn)과 텐소플로우(TensorFlow)입니다 잠시 후에 사이킷을 실제로 해보겠습니다 그러나 우선 머신 러닝이 무엇이고 왜 중요한지를 잠시 이야기해 볼게요

머신 러닝은 인공지능의 한 분야입니다 초기 AI 프로그래머들은 한 가지에만 특화시켰습니다 예를 들면 딥 블루는 체스를 하고 챔피언 경지까지 올라갔지만 할 줄 아는 것은 그것 뿐이었습니다 오늘날 필요로 하는 것은 하나의 프로그램을 만들어서 내용 수정 없이 다양한 문제들을 해결하는 것이지요 알파고는 대표적인 예입니다

알파고는 세계 바둑 챔피언쉽 경기를 했지요 그러나 비슷한 소프트웨어가 아타리 게임하는 법도 배우지요 머신 러닝을 통해서 그게 가능합니다 머신 러닝은 사례와 경험을 통해 배우는 알고리즘이죠 하드코딩된 룰에 의존하는 게 아닙니다

그래서 예술의 경지라고 하지요 오늘 코딩을 시작하기 위해 간단한 예를 보겠습니다 언뜻 쉬워 보이지만 머신 러닝 없이는 풀수 없는 문제가 있습니다 사과와 오랜지의 차이를 말할 수 있는 코드를 작성할 수 있을까요? 가령 이미지 파일을 입력하면 분석을 통해 과일의 종류를 말해 주는 프로그램을 작성한다고 합시다 여러분은 어떻게 이 문제를 풀까요? 수많은 제각각의 룰들을 작성해야 할 겁니다

예를 들면 오랜지 색의 픽셀의 수와 초록색의 픽셀의 수를 비교하는 코드를 작성할 수도 있겠네요 그 비율은 과일의 종류에 대한 힌트를 주겠지요 이런 간단한 이미지에서는 잘 됩니다 그러나 문제에 깊이 들어가게 되면 실제 세계는 복잡하고 여러분의 룰은 깨져버립니다 흑백 사진일 때나 오랜지도 사과도 없을 때 대응할 수 있는 코드 작성이 가능할까요? 사실 여러분이 어떤 코드를 작성하더라도 그 룰과 어긋나는 이미지가 항상 있게 마련이지요

사과의 오랜지의 차이를 말해 주는데도 어마어마한 양의 룰을 작성해야 합니다 또 다른 문제는 매번 반복해야 한다는 것입니다 분명히 좀 더 나은 게 필요합니다 이 문제를 해결하려면 우리가 손수 입력을 하지 않아도 규칙을 정립하는 알고리듬이 필요합니다 그러기 위해 분류자(Classifier)를 훈련시킵니다

우선은 분류자를 함수로 생각해도 됩니다 데이터를 입력으로 받으면 라벨을 부여하고 출력해 줍니다 예를 들면 내가 사진 한 장을 가지고 사과인지 오랜지인지 분류한다고 합시다 아니면 이메일을 스팸인지 아닌지로 분류한다고 합시다 분류자를 자동으로 작성하는 기술은 지도 학습이라고 합니다

해결할 문제의 예를 가지고 시작해 볼까요 코드를 작성하기 위해 사이킷-런을 사용하겠습니다 여기서 라이브러리를 다운로드하고 설치하겠습니다 하는 방법은 몇 가지가 있습니다 저의 경우는 아나콘다를 사용하는 게 가장 쉬웠습니다

이걸 사용하면 모든 의존성이 세팅되고 플렛폼을 가리지 않고 잘 됩니다 비디오에서 빨리 돌려서 초고속으로 다운로드하고 설치했습니다 설치가 완료되면 파이썬 스크립트를 돌리고 SK 런을 임포트하면 모든 게 제대로 작동하는지 테스트할 수 있습니다 지금까지 잘 됐다면 이것이 우리 프로그램의 첫줄이고 이제 됐습니다 지도 학습을 사용하려면 표준 절차 몇 단계를 따라야 합니다

1단계는 훈련 데이터 모으기입니다 이들 예는 우리가 해결하려는 문제들입니다 우리의 문제를 해결하기 위해 과일을 분류하는 함수를 작성하겠습니다 간단히 말해서, 과일의 특징을 입력으로 받고 무게나 표면 형태와 같은 특징을 보고 사과인지 오랜지인지 추측하여 출력하는 것입니다 훈련 데이터를 모으기 위해 과수원으로 향합니다

서로 다른 사과와 오랜지를 관찰하고 특징을 표현하는 측정 값을 표에 적습니다 머신 러닝에서는 이들 측정값을 특징이라고 합니다 우선은 간단하게 두 가지만 사용했습니다 무게는 몇 그램이고 표면은 거친지 부드러운지입니다 특징을 잘 잡게 되면 서로 다른 종류의 과일을 구분하는 게 쉬워집니다

훈련 데이터는 줄 하나에 하나의 예가 들어갑니다 개별 과일에 대한 설명입니다 마지막 칼럼은 라벨이라고 합니다 라벨은 그 줄이 어떤 과일인지 구분해 주는데 현재는 두 가지 가능성이 있습니다– 사과와 오랜지 전체 테이블은 훈련 데이터입니다

이 모든 것이 분류자가 학습해야 할 예제 전체라고 보시면 됩니다 학습 데이터가 많을 수록 더 나은 분류자가 만들어집니다 이제 학습 데이터를 코드로 작성해 봅시다 features와 labels 두 가지 변수를 사용하겠습니다 features는 처음 두 개의 칼럼을 포함하고 labels는 나머지를 포함합니다

features는 분류자에 입력되는 것이라면 labels는 출력되는 것입니다 모든 features의 변수형을 문자열에서 정수형으로 바꿔 0은 거친 것, 1은 부드러운 것으로 사용하겠습니다 labels에 대해서도 똑같이 적용해서 0은 사과이고 1은 오랜지입니다 프로그램에서는 2~3 라인에 해당합니다 두 번째 단계는 이들 예제들을 분류자 훈련에 사용하는 것입니다

우리가 시작할 분류자 타입은 결정 트리(tree)라고 부릅니다 어떻게 돌아가는지는 다음 편에서 자세히 보실 수 있습니다 당장은 분류자는 규칙을 담은 박스라고 생각하면 되겠습니다 그래서 수많은 종류의 분류자가 있지만 입력과 출력 형식은 항상 같은 것입니다 트리를 임포트해 보겠습니다

이어서 스크립트 상의 4번째 줄에 분류자를 생성하겠습니다 현재는 비어 있는 규칙 박스입니다 아직 사과와 오랜지에 대해 아무것도 아는 게 없습니다 훈련을 시키기 위해 학습 알고리듬이 필요합니다 분류자가 규칙의 상자라면 학습 알고리듬은 그것을 생성하는 과정이라고 할 수 있습니다

훈련 데이터의 규칙성을 파악하여 규칙 상자를 생성하는 것이지요 예를 들면, 오랜지가 더 무거운 경향이 발견된다면 무게가 더 나가는 과일이 오랜지일 것이라는 룰을 생성하는 것입니다 사이킷에서는 학습 알고리듬은 구분자 객체에 포함되고 핏(Fit)이라 부릅니다 핏이란 "데이터에서 패턴을 발견하다"란 뜻입니다 내부적으로 이런 기능이 어떻게 작동하는지는 다음 편에서 자세히 보도록 하겠습니다

일단 훈련을 받은 분류자를 생성했습니다 이제는 한 번 돌려 보고 새로운 과일을 분류하는 데 사용해 보겠습니다 분류자에 입력할 것들은 새로운 사례의 특징들입니다 가령 150그램의 거친 촉감의 과일을 분류한다고 합시다 사과라면 0, 오랜지라면 1이 출력될 것입니다

입력 단추를 누르고 분류자의 예측을 보기 전에 잠깐 생각해 봅시다 만일 여러분에게 예측하라 한다면 뭐라고 출력이 될 것 같습니까? 예측을 하려면 이 과일을 훈련 데이터와 비교해야 합니다 아무래도 오랜지에 가까워 보입니다 무겁고 표피가 거칠기 때문입니다 일단 그렇게 예측을 하고 입력 단추를 누르면 분류자 역시 같은 예측을 보여줍니다

이게 다 잘 됐다면 드디어 첫 번째 머신 러닝 프로그램을 하신 겁니다 훈련 데이터만 변경하면 새로운 문제에 대한 분류자를 생성할 수 있습니다 그래서 각 문제별로 새로운 규칙을 작성하는 것에 비해 재사용이 용이한 방법론이라 할 수 있지요 그런데 훈련 데이터로 과일을 사진을 사용하지 않고 특징 테이블을 사용하는지 궁금하실 겁니다 물론 사진을 사용할 수도 있습니다

그건 다음 편에 해 보도록 하겠습니다 하지만 대체로 이러한 방식이 일반적인 방법입니다 머신 러닝 프로그래밍은 그다지 어렵지 않다는 이점이 있습니다 그러나 잘 사용하기 위해서는 몇 가지 중요한 개념을 이해할 필요가 있습니다 그건 다음 편에서 안내해 드리도록 하지요

시청해 주셔서 감사합니다 다음에 뵙겠습니다