Create Customer Value with Google Cloud AI (Next Rewind ’18)

연사 : 다음 2018 년에 300 회 이상의 세션이 있으며, 너는 그들 모두에게 다가 갈 수 없다는 것은 이해할 만하다 따라서 고객 생성이 표시되지 않은 경우 Google 클라우드 AI로 가치를 얻은 다음 계속 조정합니다

왜냐하면 여기에 되감기가 있기 때문입니다 [음악 재생] 가장 일반적인 과제 중 하나 기계 학습으로 얻고있다 커다란 위협적인 과정에서 실제로 귀하의 비즈니스에 도움이됩니다 혹시이 문제와 씨름 해 본 적이 있다면 너 자신, 그럼 좋은 소식 클라우드 고객에게 제공하는 몇 가지 조언이 있습니다

그들이 시작하는 동안 아마 당신도 유용 할 것입니다 첫째, 간단하게 시작하십시오 한 번에자가 운전 차량을 만들 필요가 없습니다 대신, 가장 간단한 문제부터 시작하십시오

당신은 기계 학습으로 태클을 할 수 있습니다 실제로 복잡한 응용 프로그램처럼 보입니다 보통 별도의 컬렉션으로 시작합니다 구성 요소 둘째, 비즈니스 문제를 파악하십시오

기계 학습을 시도하기 전에 비즈니스에 미치는 영향을 파악해야합니다 당신의 신청서는 가질 것이다 그렇지 않으면, 그냥 잡힐 수도 있습니다 문제에 대한 해결책의 차가움에 어떤 해결이 필요하지 않습니다 셋째, 애플리케이션에 완벽하게 통합 할 수 있습니다

가능한 한 최종 사용자 인 최종 사용자 기계 학습이나 인공 지능으로 작동하는지 상관하지 않습니다 또는 무엇이든 그들은 기능을 살펴 봅니다 넷째, 기계 학습이 당신을 열 수 있습니다 새로운 사용자 상호 작용 패러다임에 이전에 당신에게 제공되었습니다

과도한 집중으로 새로운 기회를 놓치지 마십시오 오래된 문제들 그리고 마침내, 비록 그것이 발발을 느끼더라도, 당신은 큰 생각을해야합니다 AI 그 혁명적 인 기술은 인터넷과 마찬가지로 모든 사업을 변화시킬 것입니다 25 년 전 20 년 전 세계를 변화 시켰습니다

그러나 한 입 크기의 덩어리로 생각하면됩니다 우리가 고객과 함께 일할 때, 우리는 당신은 그 큰 비전을 가지고 있습니다 그러나 우리는 당신과 함께 일할 것을 확신합니다 다루기 쉬운 조각으로 그리고 이것은 시험되지 않은 조언이 아닙니다 우리가 가지고있는 거대한 고객 목록이 있습니다

기계 학습의 성공을 도왔으며, 이야기는 그들의 이야기 중 많은 부분으로 밀집되어 있습니다 고객 사례 및 실질적인 조언 인 경우 당신이 찾고있는, 전체 이야기를 확인해보십시오 그리고 그것이 당신이 볼 수있는 전부는 아닙니다 AI 회사가되는 과정에서 배운 교훈을들을 수 있습니다 기술에 대한 조언을 찾을 수 있습니다

우리가 기계를 배우기 위해 만든 것 프레스에서 뜨거운 것들을 포함하여 더 쉽게 여행 할 수 있습니다 우리는 기술 격차를 어떻게 해결할 수 있는지 살펴 봅니다 데이터 과학의 문제 세계에는 2 천 1 백만 명의 개발자가 있으며, 그 중 단지 몇 천 명만이 깊은 학습 모델을 구축하는 데 능숙합니다 그것에 대해 무엇을해야할까요? 전체 발표에서 찾아보십시오

그리고 발표가 마음에 들면,이 이야기는 당신에게 큰 세 가지를 가져다줍니다 첫째, Contact Center AI; 둘째, Iron Mountain과의 새로운 파트너십 우리의 자연 언어 이해를 사용할 수있게 해줍니다 플랫폼 내 기술 그리고 스피드에 대한 필요성이 있다면 좋아하는 것, 강력하고 새로운 알파 TPU 하드웨어 그리고 맨 위에있는 체리는 프랑스 인이있는 AutoML 데모보기 당신과 AI에게 부드럽고 둥근 치즈를 알려주고 있습니다 그리고 속지 마라, 그들은 모두 브리가 아니라는 것을 알게된다

가득 찬 이야기를보고 싶다면, 아래 설명에서 링크를 확인하십시오 그리고 Cloud YouTube에 가입하는 것을 잊지 마십시오 더 나은 다음 되감기 콘텐츠를위한 채널 지켜봐 줘서 고마워 [음악 재생]

Leverage AI on the Cloud to Transform Your Business (Next Rewind ’18)

CASSIE KOZYRKOV : 다음 2018 년에 300 회 이상의 세션이 있으며, 너는 그들 모두에게 다가 갈 수 없다는 것은 이해할 만하다 그래서 당신이 클라우드를 활용하지 않았다면 귀하의 비즈니스를 변화시키고, 계속 지켜봐주십시오

왜냐하면 여기에 되감기가 있기 때문입니다 [음악 재생] 기계 학습은 알고리즘 접근법입니다 데이터로 반복적 인 결정을 내리는 것 시작하기 전에 모든 구성 요소가 있는지 확인하십시오 배울 데이터, 확인; 기계 학습에 대한 액세스 알고리즘, 확인; 반복적 인 결정을 자동화하려는 욕구 – 우리는 정말로 여기 반복을 말하고 있습니다

10 가지의 결정이 아니라 10,000이나 100 억에 가깝습니다 검사 큰 이야기에서 나온 큰 아이디어를 요약 해 봅시다 첫째, ML을 사용하여 여러 문제를 해결할 수 있습니다

오늘 규칙을 작성 사실, 그것을 적용 할 수있는 기회를 찾을 수있는 좋은 방법입니다 귀하의 비즈니스에서 규칙을 찾는 것입니다 예 : Google 검색에서 검색어 완성 는 손으로 만든 규칙의 진짜 얽힘이었습니다 그것에 기계 학습을 적용하는 것은 우리의 가장 큰 부스트를 가져 왔습니다

2 년 넘게 품질 순위를 매겼습니다 둘째, 기계 학습은 응용 프로그램을 개인화하십시오 ML은 손수 만든 규칙보다 잘 확장되기 때문에 기존 논리 위에 모델을 레이어 할 수 있으며, 당신은 이제 또한 주요 사용자와 다른 사람들을 기쁘게 할 수 있습니다 분견대 자, 물론,이 모든 것을 확인하는 것은 데이터입니다

ML을 규칙 기반 프로세스로 전환하는 것으로 생각할 수 있습니다 그것의 머리에 모델 또는 규칙으로 시작하는 대신, 그것을 뒤집어서 데이터로 시작하십시오 셋째, 기대를 지닌 설계 시스템 내년에는 더 많은 데이터를 얻을 수 있습니다 너의 세계는 정적이 아니기 때문에 너는 기대해야한다

데이터가 커지게됩니다 그리고 더 많은 데이터가 이기기 때문에 이것은 좋은 일입니다 그러나 이것이 당신을 두는 때 무엇이 ​​일어나는가? 엑사 바이트 또는 페타 바이트 영역에서? 예를 들어, 깊은 학습은 잘 작동합니다 큰 데이터 세트 선형 적으로 오류율을 떨어 뜨리려면, 데이터를 기하 급수적으로 늘려야합니다

저기서의 로그 스케일입니다 나는 예측을 좋아한다 당신이 깊은 학습에 있다면, 나는 예측한다 당신의 미래에 많은 데이터 여기에 제안이 있습니다

모든 개인적인 시간을 소비하지 마십시오 큰 데이터 인프라에서 대신 서버리스 방식을 사용하십시오 그래서 당신은 실제로 당신을 데려 오는 것에 당신의 노력을 기울일 수 있습니다 가장 가치있는 것 인프라가 아닌 코드 측면에서 생각해보십시오

우리를 네 번째 아이디어로 이끌어줍니다 인프라를 잊어 버릴 수있는 플랫폼 사용 훌륭한 사전 제작 된 모델을 제공합니다 다양한 ML 시나리오에 대한 유연성을 찾으십시오 그럼 깊은 학습을 다시 살펴 봅시다 최첨단 머신을 수행하는 데 필요한 컴퓨팅 성능 지난 6 년간 학습은 천만 번 증가했습니다

천만 번이나 당신이 최첨단에 있고 싶다면, 효율적이고 비용 효율적인 ML이 필요합니다 환경 점점 더 많은 데이터를 처리하기 위해 분산 될 필요가 있습니다 점점 더 많은 계산을 처리하기 위해 더 나은 하드웨어가 필요할 것입니다

Google Cloud는 이상적인 환경을 제공합니다 하드웨어의 분산 처리 용 당신의 필요에 맞게 환상적인 서버 관리 방식을 제공합니다 훌륭한 사전 빌드 된 모델로 ML을 실행하려면, 그래서 처음부터 모든 것을 만들 필요가 없습니다 네가 원치 않으면

제 말은, 왜 재발견 할 필요가없는 바퀴를 재발견하는 겁니까, 그렇죠? 이 이야기를 요약하면, 다채로운 사용 사례를 생략했습니다 그 아이디어를 실제로 현실로 가져옵니다 영화 추천 시스템, 사기로부터 기계 학습 학습 탐지, 고객 서비스, 사물의 인터넷, 자동차 경매, 게임 등 가득 찬 이야기를보고 싶다면, 설명의 링크를 확인하십시오 아래를 클릭하고 Cloud YouTube에 가입하는 것을 잊지 마십시오

채널을 통해 다음 되감기 콘텐츠를 더 많이 얻을 수 있습니다 지켜봐 줘서 고마워 [음악 재생]

Imagia at Google Next

오늘 우리가 너와 얘기하고 싶은게있다 협업 생태계 구축을위한 이마 지아 (Imagia) 여행의 초기 단계 인공 지능을 건강 관리에 도입하는 데 도움이됩니다

암을 치료하는 것은 고귀하고 기념비적 인 업적이지만, 이제는 암에 동반되는 병적 상태를 최소화합니다 이러한 치료의 전달을 변화시키기 위해서는 주어진 질병을 넘어서서 치료해야하며, 환자에 대한 피해를 최소화 할 수있는 치료 전략 개발에 관한 독특한 생물학적 화장 우리가 임상 채택을 강화하기위한 발견 플랫폼을 구축함에 따라, 의료 교육 시스템이 얼마나 불완전한 지 알 수 있습니다 정보는 전세계 학술 사일로에서 끊임없이 진화하고 있으며, 주요 매체 이 정보를 공유하는 것은 저널의 간행물을 통한 것입니다 의사로서, 오늘 의사가 오늘은 거의 불가능하다고 말할 수 있습니다

의료 과학의 최신 발전에 대한 정확한 최신 정보를 제공합니다 실제로 이러한 진보를 의료 행위에 적용하는 것은 어렵습니다 따라서 네트워크에서 연합 된 의료 데이터를 사용하는 플랫폼을 구축하는 것은 우리가 관찰 한 임의성의 일부를 이해하는 데 한 걸음 더 다가 가도록하십시오 우리가 공유하고 싶었던 것을 요약하면이 공동 작업을 만드는 우리의 접근 방식입니다 Google Cloud에서 제공하는 생태계, 건강 전문가를 모으는 곳, 공학 전문가, 그리고

건강 전문가가 지식없이 인공 지능을 사용할 수있는 방법 그러나 대규모 네트워크에서 크고 영향력있는 규모로 수행해야합니다 시간 내 주셔서 대단히 감사 드리며 궁금한 점이 있으면 기꺼이 답변 드리겠습니다

Powering the Future of Agriculture through Google Solutions (Cloud Next ’18)

[음악 재생] CRAIG Ganssle : 오늘, 우리는 인공 지능과 어떻게 우리 회사가 Google과 협력하고 있습니다 세계 전역의 식량 생산

제 이름은 크레이그 갠슬입니다 그리고 저는 회사의 설립자이자 CEO입니다 조지아 애틀랜타에서 CAMP3 FARMWAVE라는 제품이 있습니다 인공 지능은 중요한 역할을 할 수 있습니다

세계적인 식량 생산, 몇가지 말하자면 내가 너에게 물었다면, "이게 뭐야?" 사과라고 말해 줄거야 하지만 내가 말하면, 이제 나에게 증명해 줄까? 이것이 사과라는 걸 증명 해줘 어떻게 알았어? 왜냐하면 우리가 아이들, 유치원 또는 유치원이었을 때, 우리 모두 똑같은 것을 보았습니다 그림과 flashcard입니다

그리고 그것은 사과를 말했다 그게 뭐야? 그게 사과 야 그러나 그렇게 보이지는 않습니다 사과 라는게 무슨 뜻이야? 그게 어때? 그것은 너무 다르게 보입니다 또는? 이것들은 모두 사과입니다

그러나 인공 지능을 이용한 세계 식량 생산에서, 우리는 그것을 증명해야합니다 그리고 우리가 그것을 증명해야 할뿐만 아니라, 그것은 사과이지만, 모든 병원균, 해충, 그리고 거기서 어떤 작물도 감염시킬 수있는 잡초 침입 식물 병리학에서 인공 지능의 과제에 오신 것을 환영합니다 농업에서 이미지 인식과 같은 것을 사용하는 것은 어려운 일입니다

농작물의 병원균과 병충해를 확인하는 것 또는 식물 – 토마토, 감귤류, 줄기 작물, 뭐든지 – 일찍 그러나 이것은 가장 중요한 단계 중 하나입니다 성장하는 음식에 우리가 병원균을 확인하고 감염을 조기에 발견 할 수 있다면, 그건 우리가 화학 물질을 덜 뿌릴 수 있음을 의미합니다 즉 작물 파괴가 적고 작물이 많다는 뜻입니다

수확량 그것은 더 많은 음식을 의미 할 수 있습니다 이것은 전 세계적으로 정말로 중요한 산업입니다 우리 모두 먹어야하기 때문입니다 Fei-Fei Li 박사가 최선을 다했습니다

새 데이터 세트를 작성하십시오 그래서 FARMWAVE에서 우리가해야 할 일이 있습니다 우리는 전 세계를 검색했습니다 대학, 대기업, 농민, 소규모 주주 – 이미지 캡처 및 구축 큐레이팅되고 카탈로그 화 된 데이터 세트 식물 병리학을위한 이미지 인식 작물 손실을 줄일 수 있습니다 FARMWAVE는 농업에 종사하는 사람들을 연결하는 앱입니다

그들의 농장과 기술 및 서로와 그것은 단지 인공 지능 이상입니다 하지만 그 뒤에있는 진정한 강국입니다 지난 몇 년 동안 우리는 FARMWAVE를 개발해 왔으며, 우리는 조종사와 세계의 개념을 증명했습니다 몬산토 (Monsanto), 신젠타 (Syngenta), 바이엘 (Bayer) 인도, 프랑스, ​​미국, 전 세계에 – 우리가 FARMWAVE를 얻을 수 있다면 전 세계의 농부들의 손에 우리는 줄이기에 정말 좋은 기회가 있습니다

작물 파괴 20 % ~ 30 % 구성 요소 중 하나는 공동체로서 농민 서로 이야기하기 오늘날 그들은 Twitter 및 Instagram과 같은 것을 사용합니다 그러나 일상적인 일과 그들이 얼마나 빨리 움직이는 지, 농장에서해야 할 모든 일, 그들은 Twitter와 Instagram을 사용하고 있습니다 그러나 뉴스의 모든 소음과 그들이 따르는 모든 것 중간에 갇혀있는 것 같아요

당신도 재배자가 누군지는 말할 것도 없습니다 대기업 이해 관계자를위한 성장 그들이 식물 실험을하고있는 곳, 그 정보는 독점적이며 공공 웹에 나가십시오 FARMWAVE는 폐 루프 커뮤니티를 제공합니다 연구자, 경제학자, 농민 모두 들판을 만들어 협력 할 수있다 거의 실시간으로보고합니다

이를 통해 우리는 데이터를 올바르게 보유 할 수 있습니다 그들의 손바닥에 오늘날 농업에서 많은 일이 일어나고 있습니다 전 세계에는 여러 회사가 있습니다 자율 차량에 시도하고있다

존 디어는 오랫동안 그것을 해왔습니다 우리는 수십 년 동안 자율적 인 트랙터를 가지고있었습니다 그들은 훨씬 느리게 움직이며 아무도 그들의 방식을 따르지 않습니다 그러나 그들은 한동안 그것을 해왔습니다 무인 항공기, 위성 이미지, 하이퍼 스펙트 럴 컬러 이미지,이 모든 데이터 농업에 매우 중요합니다

그리고 많은 회사가 있습니다 우리가 할 수있는 방법에 영향을 미치려고 전세계에 이 모든 데이터를 더 잘 활용하십시오 우리의 농업에서 더 나은 결정을 내릴 수 있습니다 Howard Buffett는 "40 Chances"라는 책을 썼습니다 생각해 보면 농부는 평생 동안 그것을 얻는 평균 40 기회

그리고 그게 다야 그들이하는 모든 일, 일상 생활, 매우 계절적입니다 봄에 모든 식물이 수확하여 얻습니다 가을에 결과 아무리 효과가 있더라도 내년에 다시 시도 할 수 있습니다

인디애나주의 농부, 톰 팜스의 크리스 톰, 그들은 약 45,000 에이커 농사를 짓는다 그들은 미국에서 가장 큰 재배자 중 하나입니다 그는 한때 나에게 무언가를 말했다 기존 기술 위에 더 많은 기술을 추가하지 마십시오 새로운 기술을 추가하기 위해서

그래서 우리는 사물을 육상에서 훈련하려고합니다 FARMWAVE와 우리의 인공 지능 이미 휴대하고있는 기기로 작업 할 수 있습니다 그 (것)들 또는 그들이 이미 오늘 사용하고있다, 무인 항공기 및 일부 기계류와 같은 우리는 많은 기술을 활용합니다 Google Cloud Platform 내에서 최근에, 우리는 일하는 알파 회사 중 하나였습니다 AutoML

그리고 우리는 University of Georgia 농업 확장 – 우리가있는 곳, 애틀란타 – 인터넷 이미지 컨소시엄 (Consortium for Internet Imagery) 데이터베이스 시스템 조지아 대학과 약 19 개 대학이 소유 세계 각지에서, 3 만 5 천 개가 넘는 식물 종에 관한 20 년의 이미지 데이터입니다 그래서 우리는 조지아 대학과 긴밀히 협력했습니다 그리고 우리는이 데이터베이스의 복사본을 가지고 있습니다 그리고 우리는 분류하고 라벨을 붙이기 시작했습니다

FARMWAVE를 통해 이미지를 태그 지정하고 실행합니다 매우 도전적이었습니다 20, 19, 18 년 전, 우리는 휴대 전화의 종류가 없었어요 우리가 오늘 가지고있는 따라서 사진은 실제로 사용할 수 없습니다

그것들은 좋은 품질이 아닙니다 그러나 우리가 더 최근의 이미지를보기 시작하면서, 우리는 더 나은 품질을 가지고 있습니다 일부는 좋은 그림입니다 일부는 그렇지 않습니다 식물 병리학에서, 당신은 정말로 일어나야 만합니다

닫고 잎의 정말 좋은 그림을 얻으십시오 정말로 조기 발견을 위해 병원체 또는 해충을 식별 할 수있는 영향을 미칩니다 추천과 치료를한다 입력란에 입력하십시오 우리는 일찍부터 카운팅 시퀀스를 얻었다

오늘날 농민들은 생산량 예측에 도움을 줄 것입니다 옥수수의 귀에있는 핵을 세어 샤피와 함께 해 이제는 얼마나 많은 사람들이 농업에 시간을 할애했는지 모르겠습니다 하지만 7 월에 남부 조지아 열에 있다면 Sharpie와 함께, 그리고 당신은 커널을 계산하려고합니다

옥수수의 귀에, 그것은 끔찍합니다 그리고 당신이 그것을 굴릴 때쯤에, 손에 땀이 마커를 씻어 내었습니다 그리고 당신은 실제로 좋은, 정확한 카운트를 가지고 있지 않습니다 그래서 일부 Vision API 기술을 사용하여, 우리는 다음을 허용하는 시스템을 개발했습니다 너는 옥수수의 귀를 찍고 그것을 180도 회전시키고, 다른 사진 찍어

그리고 약 2 초 만에 계산됩니다 우리는이 카운트에서 95 % 이상 정확했습니다 연속적으로 – 실내, 실외, 관계없이 다른 빛 수준의 이는 17 %에서 20 % 아이오와 옥수수에 따르면 판 나중에 올해는 우리가 될거야

중간 이미지에있는 것을 시작합니다 스탠드 카운트 (Stand Counts)라고합니다 스탠드 카운트 (Stand Counts)는 농부들이 얼마나 많은 사람들인지를 알 수있게합니다 주어진 행에있다 때로는이 이미지를 UAV가 가져올 수 있습니다

때로는 땅에 찍히는 경우도 있습니다 토마토, 와인 포도의 클러스터 수 수율 예측에 도움이됩니다 농민들이 더 많은 결정을 할 수있게되면, 전반적인 세계 식량 생산이 더 좋습니다 우리를위한 이미지 인식은 시간이었다 자, 어떻게 시작할 지 생각해 보겠습니다

오늘이 일반적으로 어떻게 수행되는지 알려드립니다 농부가 들판으로 나간다 또는 위성이 사진을 찍습니다 또는 무인 항공기가 사진을 찍습니다 그리고 그들은 고통이 있음을 봅니다

현장에서 그런 다음 누군가를 보내면 사진을 찍을 것입니다 아마 농부는 그것이 무엇인지를 압니다 아마 그들은하지 않습니다 오늘날에도 우리는 여전히 새로운 질병이 나타나기 시작합니다 그래서 그들은 이렇게 말합니다

좋아, 나는 이것이 무엇인지를 정말로 모른다 농학자 한테 이걸 가져다 줘야 해 그러나 나는 아무데도 살고 있지 않다 아이오와에서 옥수수 바다에서 가장 가까운 대학교는 4 시간 거리에 있습니다

그래서 나는 지역 농학자에게 전화를한다 그는 두 국가가 떨어져 있습니다 다음 주에 아마 내게 올거야 그래서 그는 대학에 손을 뻗친다 그들은 누군가가 나와서 가져갈 수 있다고 말한다

며칠 만에 봐 그래서 그들은 나옵니다 그들은 한 번 봐 그들이 그것이 무엇인지 안다면, 그들은 권고를합니다 그들은 처방전을 씁니다

그리고 농부는 그들의 딜러에게 전화합니다 그리고 그들은 나가서 제초제, 살균제, 살충제, 뭐든간에 그들이 무엇인지 모르면, 그들은 더 연구를해야합니다 아마 며칠이 걸릴 것입니다 아마도 또 다른 주일이 걸릴 것입니다

기후, 날씨, 특성, 그들이 가지고있는 것, 이것은 퍼질 수 있었다 이것은 작물의 5 %에서 20 % ~ 30 % ~ 40 %로, 수확량을 줄이고 음식을 잃어 버리게됩니다 우리에게는 시간이 걸립니다 FARMWAVE 및 이미지 인식 기능 몇 초 만에 이런 일이 일어납니다 현재,이 대학의 35,000 종 조지아의 20 년 농작물 이미지를 통해 시작되었습니다

이것은 거대한 데이터베이스입니다 옥수수만으로 옥수수의 모든 질병 우리에게 몇 년이나 걸렸습니다 사과에서 나온 그림을 기억한다면, 우리는 모든 다른 단계에서 작물을 봐야합니다 그 모든 다른 단계에서 그 작물의 모든 질병 초기부터 중증도가 20 %, 중증도가 60 %, 완전히 쇠약 해짐 정확한 결과를 얻을 수 있습니다 우리의 이미지 라이브러리는 유일한 라이브러리 중 하나입니다

우리는 오늘 우리가 그것이 적절히 확인되었다고 말했다 박사 학위 병리학 자 및 곤충 학자 전 세계에서 그러나 우리는 높은 정확성을 가져야합니다 그래서 우리는 그렇게해야합니다 그러나 더 많은 시간이 걸립니다

농부들이 농지에 나가면 – 농지를 다녔다면이 플래 카드를 볼 수 있습니다 바로 거기에 어떤 작물이 심고 있는지 알려줍니다 이 경우 Pioneer 버전입니다 Google Vision API를 사용하여 농민 현장 보고서를 매우 빨리 채울 수있다 단순히 사진을 찍고, 현수막의 정보, 그것을 현장 보고서에 넣으십시오

그런 다음 나들이 할 때 현장보고를 계속합니다 그들의 차량의, 그리고 그들은 실제로 들여다보기 위해 들판에 들어간다 병원체 또는 해충 문제에서 이렇게하면 많은 시간을 절약 할 수 있습니다 어쩌면 농부가 하루에 몇 분이면 될지도 모릅니다

그러나 매년 전 세계 농민들을위한 그 화합물 이런 종류의 정보가 중요합니다 주정부 규정 및 지역 카운티에 신고해야합니다 보고서 따라서이 정보는 중요합니다

Google Vision API 덕분에 엄청난 도움이되었습니다 이 정보를 매우 빨리 추출 할 때 들판으로가 이것은 현장을 약간 쳐다 본 것입니다 FARMWAVE 내부에보고하십시오 우리는 병원균과 해충을인지함으로써 그들을 돕습니다

그러나 우리는 Google Cloud의 모든 것을 활용합니다 FARMWAVE가 살고있는 곳에서 거의 실시간으로 정보를 얻을 수 있습니다 우리는 또한 그들이있는 곳을 위치 정보 태그로 지정합니다 그것은 매우 중요합니다 그들이 들판에 나가면, 무엇을 이 분야에서 일어 났습니까? 우리는 날씨, 날씨, 장소, 시간과 날짜

내년 FARMWAVE의 미래는 다른 기계류를 허용하는 2019 년 앱 스토어 출시 농업 내 모든 데이터 포인트 FARMWAVE에 연결하여 해당 데이터를 상호 연관시킬 수 있습니다 더 잘 협력하십시오 그 말은 농부가 들판으로 나가면 현장보고를하기 위해 FARMWAVE를 엽니 다 그들이있는 곳을 봅니다 그리고 말하길, 당신의 존 디어 파종기를 당기게하십시오

네가있는 곳을 내가 알고 있기 때문이다 몇 초 후에 내가 너에게 무엇을 말할거야 이 분야에서, 어떤 날짜에, 어떤 씨앗에 심었습니까? 다양성, 어떤 간격에서, 어떤 압축에서 그리고 관개 센서 데이터를 가져와주세요 이 작물이 얼마나 많은지 물어볼 게

그것이 땅에 들어간 날부터 가지고있다 이 순간까지 당신이 서있는 곳에서 정확하게 그 때까지 그것은 그 결과를 푸시합니다 현장 보고서에 표시됩니다 그런 다음 사진, 메모, 비디오, 받아쓰기를 할 수 있습니다

그것을 저장하십시오 그리고 그 지역 사회에서 그것을 구할 때 앞서 언급 했으니 곧 공유 할 수 있습니다 귀하의 농경 학자, 연구원, 재배자, 상인 세계 어느 곳에서나 거의 실시간으로 몇 년 전, 나는 즐거움을 가졌다 프랑스의 Emmanuel Macron 대통령을 방문했다

프랑스는 포도주와 치즈로 세계의 수도입니다 그리고 그들이 어떻게 다르게 성장하는지 보는 것은 환상적이었습니다 프랑스에서 그들이 미국에서하는 것보다 나는 요르단 암만과 레바논 베이루트에 갔다 그들이 프랑스에서하는 것보다 그들이 어떻게 다르게 성장하는지 그들이 미국에서하는 것보다

프랑스는 GMO가 금지 된 국가 중 하나입니다 그래서 그들은 서로 다른 스타일을 가지고 있습니다 그러나 데이터는 여전히 중요합니다 프랑스 전역의 농민들이 함께 일합니다 정부 보조금을 통해 매년 새로운 기술에 대한 우리는 지난 몇 년 동안 프랑스를 방문했습니다

여러 번, 다른 공동 작업자, 재배자, FARMWAVE가 어떻게 잠재적으로 할 수 있었는지에 대한 정부와도 국가가 데이터를 집계하는 데 사용하는 단일 플랫폼이어야합니다 앞으로는 예측 모델링을 수행하십시오 우리가 인공 지능을 볼 때, 그리고 우리가 기계 학습과 깊은 학습을보십시오 Google Cloud Platform을 활용하여 무엇을 할 수 있는지, 그것은 하워드 버핏이 말한 40 가지 기회에 관한 것입니다 그것은 우리가 할 수있는 것과 할 수있는 것입니다

우리가 오늘 얻는 지식에 기반한 미래를위한 것인가? 나는 최근에 한 여인과 대화를 나눴다 Suzanne Wainwright-Evans 박사 그녀는 세계적으로 유명한 곤충 학자 Buglady입니다 그녀는 FraMWAVE에 대해 꽤 회의적이라고 Craig는 말했습니다 나는 수십 년의 경험에서 왔습니다

그리고 그 경험과 제가 현장에서하는 일은, 우리는 AI에서 편향 (bias)을 호출합니다 그리고 그녀는 절대적으로 맞습니다 편견이 많습니다 곤충 학자들이 볼 수있는 많은 것들이 있습니다 곤충 학자로서의 본성과 마찬가지로 우리가 시스템에서 훈련하기가 정말 어려울 것입니다

그리고 우리는 그것에 열심히 노력하고 있습니다 하지만 사실은 Dr Suzanne Wainwright-Evans입니다 영원히 여기 없을거야 그리고 오늘, 그것은 다음 Buglady가 된 것은별로 인기가 없습니다

그래서 우리는 많은 곤충 학자들을 갖지 못합니다 2017 년 에반스 박사는 3 주 동안 집에서 보냈습니다 나머지는 길 위에 있었다 그녀는 다른 나라에서 매우 인기가 있습니다 그들은 심지어조차하지 않는 해충의 침입을 목격한다

그것이 무엇인지 압니다 그리고 농작물을 구하기 위해 그녀의 도움이 필요합니다 그래서 에반스 박사 같은 사람과 일하고 있습니다 기계 훈련에 도움을 주며 AI 훈련에 도움을줍니다 우리가 병원체 또는 해충의 침입에서보고있는 것을 알기 위해, 지난 커플에 대한 지식을 유지하는 것이 중요합니다

농업의 미래를위한 수십 년 내일 우리는 더 나은 결정을 내릴 수 있습니다 이들은 우리가 함께 일하는 파트너 중 일부입니다 분명히, 나는 조지아 대학에 대해서 이야기했다 우리는 Google X로 초기 작업을했습니다 FARMWAVE 실제로 Google Glass에서 시작되었습니다

저는 Google Glass의 얼리 어답터였습니다 나는 뉴욕까지 갔다 나는 그곳에 와서 한 쌍의 구글 글래스를 갖도록 요청 받았다 그리고 몇 달 후에 얻었습니다 아이오와 주 디모 인에서 열린 존 디어 (John Deere) 개발자 컨퍼런스에 참석했습니다

그리고 John Deere는 개발자를 초청했습니다 이 회의를 위해 전 세계에서 온 사람들입니다 그리고 그것은 우리에게 새로운 것이 무엇입니까? 개발자들은 존 디어 (John Deere)를 보았습니다 말하길, 음, 그게 우리에게 새로운 것이 무엇 이니? 이 한 신사가 내게 다가왔다 그리고 그는 크레이그 (Craig), Google에 대해 이야기하고 유리는 무엇을하고 있습니까? 많은 사람들이 우리에게 그것에 대해 물었고 그것은

나는 말했다 이 시점에서 FARMWAVE는 아직 태어나지 않았습니다 우리는 방금 Glass에 대해 이야기하고 이야기했습니다 그것은 상자에서하고 있었다 그리고 이것은 Explorer 판과 함께했습니다

그리고 조금 더 배웠을 때 농업에서의 중대한 문제 해결, 작물 정찰병 작전에 대해 배웠습니다 이런 것들을 확인하기 위해 나는 우리가 이미지 인식 기술을 사용할 수있다 이러한 문제를 해결하고 이러한 결정은 더 빠릅니다 실제로 Google Glass에서 시작되었습니다 우리는 2015 년 몬산토에서 조종사를 만났습니다

일리노이에있는 약 25 개의 서로 다른 쌍의 Google Glass에서 농부들이 들판으로 나갈 수 있었던 곳 단순히 목소리를 사용하고 사진을 찍으십시오 그리고 그것은 식별 할 것입니다 또는 핸즈프리 옵션을 사용할 수 있습니다 유리가 그것을 잡고 커널을 센다 몇 초 만에

이것이 우리가 작업 한 일부입니다 GlassFish는 Google X에서 초기에 사용했으나 현재 Glass에서 계속 작동합니다 사실 어제 우리는 전 세계적으로 FARMWAVE를 시작했습니다 iOS 및 Android 앱 스토어에서 나는 어제 애틀란타에서 열린 ag 기술 회의에 참석했다 우리는 글로벌 출시를했습니다

그리고 우리는 80 개국을 가지고 있습니다 지난 60 일 동안 34,000 명 누가 FARMWAVE를 일찍 채택하기로 동의 했습니까? 그것은 중요한 문제입니다 우리는 2050 년까지, 사람들의 행성에있을 것입니다 앞으로 30 년 동안 더 많은 식량을 재배해야한다 우리가 지난 8,000 년보다 적은 자원, 적은 토지, 더 많은 입을 먹을 수 있습니다

기술은 중추적 인 역할을 수행 할 것입니다 이 일을하는 데있어서 그리고 우리는 그 일의 일부가되어서 정말 기쁩니다 그리고 우리는 강력한 자원 없이는 할 수 없었습니다 Google Cloud의 이 보고서에서 볼 수있는 이미지 인식 내에서 01, 아래쪽에지도가있는 것을 볼 수 있습니다

필자는 또한 지형 공간 기능을 당신이 현장보고를 받아 당신이 어디에 있는지 보여주고, 지도에 표시되는 자, 내가 아이오와에 있고 옥수수를 재배하고 있다면, 나는 문제가 있다는 것을 알고, 나는 아이오와 옥수수 재배자와 함께이 공동체 중 하나에서 협회, 그리고 나는 그림을 가져 간다 나는 현장보고를하고, 나는 이웃 농민들에게 경고한다 그들은 질병이 실제로있는 곳을 볼 것입니다 거의 실시간으로 전파됩니다 대시 보드보기를 통해 FARMWAVE 커뮤니티의 관리자입니다

또는 FARMWAVE 그룹의 경우 실제로 모든 재배자를보십시오 그리고 다른 태그와지도의 다른 태그를 통해, 실제로 성장하고 확산되는 것을 볼 수 있습니다 이것은 경고 효과가 있습니다 다른 농부들에게 무슨 일이 일어나는지 알려라 그리고 그들의 방법 오는 무엇

그리고 그것은 그 공동체에서 그 농부들에게 허용됩니다 조언을 구하기 위해 전 세계의 다른 사람들과 의견을 나눌 수 있습니다 하루 약 860 마리의 소를 기르는 위스콘신주의 낙농가 하루에 세 번, 그가하고있는 일에서 꽤 발전했습니다 그러나 8 마리의 소가있는 인도의 낙농가 지식이나 자원 또는 스킬 셋이 없습니다

위스콘신에있는 신사는 그렇게합니다 FARMWAVE를 통해 사진을 보내고 조언을 구할 수 있습니다 그 사진들이 현장보고에 있기 때문에 – 즉, 위치 및 날씨 태그가 붙은 농부 위스콘신 주에서는 즉시 인도의 농부에게 조언 할 수 있습니다 네가 8 마리의 암소를 가지고 있음을 알았다 당신은 매우 습한 기후에 살고 있습니다

여기 당신이 상대하고있는 조건이 있습니다 그것은 유방염 가능성이 높습니다 그리고 여기에 대해해야 할 일이 있습니다 그리고 그것은 다른 부분의 농부들에게 중요합니다 성장하는 국가의 세계 그 8 마리의 암소는 그들의 가족의 지속 가능성입니다

[음악 재생]

Machine Learning on Google Cloud Platform (Cloud Next ’18)

[음악 재생] 안녕, 여러분 모두들 안녕

관객 : 안녕하세요 크리스 클리브런 : 좋아요 제 이름은 크리스 클레 ​​반입니다 Justin Lawyer와 함께 우리는 제품 관리자입니다 Google 클라우드에서 우리는 당신과 대화 할 것입니다

GCP에서 기계 학습에 관한 정보 그래서 저는 매우 투명한 사람입니다 나는 그것을 무엇보다 명확하게 할 것입니다 나는 당신의 테이크 아웃이이 이야기에서 나온 것이기를 바랍니다 하나, 당신이 정말로 흥분하기를 바랍니다

기계 학습으로 할 수 있습니다 둘, 자신감을 갖기를 바래 조직에서 기계를 성공적으로 구현할 수 있는지 확인하십시오 Google Cloud로 학습하십시오 셋째, Google AI의 관심사를 통해이를 신뢰하십시오

우리는 당신의 ML을위한 올바른 플랫폼이자 파트너입니다 워크로드 세 번의 테이크 아웃 이요 우리는 당신이 그 테이크 아웃을 얻으려고 이야기 할 것입니다 우리가 그것을 파고 들기 전에, 나는 단지 당신에게 감사의 말을 전하고 싶다

우리 모두는 바쁜 삶을 사는 데 제한된 시간을 가지고 있습니다 Google Cloud, 다음 컨퍼런스, 이 세션 고마워 ML이 당신을 위해 무엇을 할 수 있습니까? 그것은 놀라운 것들을 많이 할 수 있습니다 조직에 경쟁이있는 경우, 그들이 ML을보고 있다고 보장합니다

자, ML은 반드시 정신병자를 발명하는 것이 아닙니다 교통 수단을 이용하는 경우 순간 이동을 어떻게 만들지가 아닙니다 기존 비즈니스 및 프로세스를 이용하는 것입니다 다시 상상하고 재발견 할 수있는 능력 너 오늘하고있는 일 ML에는 세 가지 종류의 큰 영역이 있습니다

통찰력을 얻는 데 도움이 될 수있는 도움이 될 수 있습니다 또는 고객이 제품 혁신에 도움을 줄 수 있습니다 자동화에 도움이됩니다 진짜 자동화를 빨리 봅시다 자가 운전 트럭과 자동차 – 모두가하는 사업 교통과 택시로 오늘하고있다

그것을 더 빠르고, 저렴하게, 더 쉽고, 더 안전하게 만들어줍니다 혁신을 살펴 보겠습니다 우리 고객 중 한 명이, 디즈니, 우리의 제품 AutoML을 사용하여 혁신 그들의 소매 서비스 사용자 경험을 원했습니다 그들이 찾고있는 제품을 정말 빨리 찾을 수 있습니다

그래서 그들은 웹 인터페이스를 사용하여 커스텀 모델을 만들었습니다 전문 지식이 필요하지 않습니다 그리고 지금 그들의 수색 경험에서, 당신은 "해변에 미키 마우스"를 입력 할 수 있습니다 해변과 관련된 모든 제품을 찾습니다 그리고 미키 마우스 – 정말로 멋지다, 정말로 쉽다

그리고 통찰력 – 당신이 비행기라고 가정 해 봅시다 제조사, 항공기, 그리고 당신은 정말로 안전에 관심이 있습니다 IoT 덕분에 엄청난 양의 데이터가 있습니다 이 악기들이하고있는 것 그리고 그 데이터를 수집한다면 어떻게 처리할까요? 그리고 아마 당신이 그걸 예측할 수 있다면 어떨까요? 비행기 정비 전에 필요한 정비 부품 정기적으로? 안전에 대한 통찰력, 그래서 무엇에 대해 흥분을 느끼는지 귀하의 조직이 할 수 있습니다

그래서 손을 보여줍니다 누가 여기에, 그들의 조직, 찾고 있습니다 오늘 기계 학습으로? 큰 손을 한 번 더 보여줍니다 여기 누가 기계 학습이 무엇인지 이해한다고 생각합니까? 네가 반 정도는 마지막 질문 – 누가 기계 학습 모델인지 알 수 있습니까? 네, 대부분

그래서 이것에 대해서 간단히 만질 것입니다 기계 학습은 데이터에 관한 것이며 데이터를 가져 오는 것입니다 통찰력과 행동 거기에는 모든 종류의 데이터가 있습니다 이미지, 구조화되지 않은 텍스트, 관계형 데이터베이스, 시퀀스 정보

그리고 기계 학습은 그 데이터를 취하는 것입니다 다양한 종류의 ML 알고리즘을 취하고, 그 알고리즘을 통해 그 데이터를 통과 거대한 인프라 세트가 필요합니다 그리고 그 데이터를 통과하면, 기계 학습 모델이 생성됩니다 그리고이 모델은 점점 좋아집니다 더 많은 데이터, 더 나은 알고리즘, 더 많은 인프라

그리고이 모델을 사용하여 통찰력, 자동화, 혁신 그래서 우리 모두는이 서비스, 웹 검색을 알고 있습니다 Google은 AI 회사이자 데이터 회사입니다 18 년 동안 세계 데이터 수집, 모든 사람이 접근 가능하고 사용 가능하게 만듭니다 우리는이 분야에서 많은 전문 지식을 보유하고 있습니다

대규모 데이터 센터, 인공 지능 전문가, 데이터 전문가 Google Cloud가 제공하는 전문 기술은 ML에 너에게 이것은 우리가 내부적으로 가지고있는 것에 대한 멋진 작은 이야기입니다 ML을 성공적으로 구현했습니다 Brein이라는 내부 AI 팀은 ML 모델을 만듭니다

알고리즘을 통해 수많은 데이터를 가져와 대규모 인프라 스트럭처를 통과시켜야합니다 ML 모델을 만들 수 있습니다 하지만 Google의 모든 소프트웨어 개발자는 아닙니다 ML 전문가입니다 우리가 한 일은 우리의 소프트웨어를 둘러 보았습니다

개발자를 교육하고 기존 모델로 ML을 구현하는 방법 그래서이 그래프가 보여주는 것은 소스 코드의 개수입니다 개발자가 Brain의 ML 모델을 사용하는 저장소 AI를 내부 서비스에 성공적으로 구현하기 위해, 외부 제품 Google은 이러한 유형의 개념을 Google Cloud에 도입합니다 오른쪽에는 여러 제품이 있습니다

ML과 AI를 통합했습니다 나는 그들 모두에 대해 이야기하지 않을 것이다 나는 두 가지에 대해서 이야기 할 것이다 내 즐겨 찾기 그래서 저는 아빠입니다, 저는 세 명의 아이들이 있습니다

그리고 저는 아이들의 디지털 사진을 많이 찍었습니다 어리석은 금액, 아마도 총 10 만개 그리고 저는이 Mac을 가지고 있었고 하드 드라이브가 몇 개 있었는데, 저장 용량이 걱정되어 Google 포토가 생겼습니다 무료 무제한 저장 글쎄, 잘됐다

값이 싸고 확장 가능하며 물건을 뒷받침하는 것에 대해 걱정해야합니다 그러나 실제로, 혁신은 검색 기능이었습니다 얼굴 인식 기능이 있으며 우리 애들이 누군지 알고 있습니다 내 얼굴 사진을 클릭 할 수 있습니다 내 전화에서 해변이나 보트 같은 단어를 입력하고, 이제 10 만 장의 사진을 찍습니다

내가 찾고있는 정확한 사진을 찾습니다 과거에는 20 분이 걸렸을 것입니다 ML은 혁신적이며 그렇게 할 수도 있습니다 조직의 규모에 관계없이 기술 직원 유형에는 ML을 구현하는 여러 가지 방법이 있습니다 그리고 우리는 두 가지 방법에 대해 이야기 할 것입니다

첫 번째 방법은 ML 모델을 사용하는 것입니다 ML 전문가가 될 필요는 없습니다 소프트웨어 개발자 일 필요가 있습니다 또는 귀하의 조직이 REST API를 사용하는 프로그래밍 언어 사용하기 쉽다

CXO 나 결정을 내리는 경영자라면, 프로젝트에 자금을 지원합니까? 높은 품질의 모델을 만드는 것은 매우 위험합니다 소프트웨어 개발자에게 API를 사용하게한다 그것을 구현하고, 정말로 빨리 시작하십시오 그리고 다른 길은 커스텀 모델을 만드는 것입니다 어쩌면 당신은 당신의 공간에서 도메인 전문가입니다

또는 데이터에 액세스 할 수 있고 원하는 자신 만의 ML 모델을 만들 수 있습니다 그래서 우리는 전문가들을위한 많은 도구들을 가지고 있습니다 빠르고 저렴한 ML 처리를 위해 그리고 여기가 저스틴에게 넘겨 줄 것입니다 그리고 그는 이것들에 대해 조금 이야기 할 것입니다

자세한 세부 사항 크리스틴 고마워 고마워, 크리스 그래서와 주셔서 대단히 감사합니다 오늘, 우리는 이야기 할 것입니다

당신의 직업에 맞는 도구를 어떻게 찾을 수 있습니까? 당신의 분야에서 전문가로서? 그래서 우선, 크리스가 언급 한 것처럼, Google은 많은 기계 학습 모델을 만들었습니다 특정 애플리케이션이 Google 애플리케이션을 강화할 수 있습니다 그래서 우리는 당신 주위에 REST API를 포장했습니다 소비하기 위해 우리는 이것을 지각 API라고 부릅니다

그들은 일반적으로 인간의 인식 주위에 있기 때문에 사용자가 애플리케이션과 상호 작용하는 방식 이렇게 빨리 다음 슬라이드로 이동하면, 이 API에는 크게 세 가지 범주가 있습니다 하나는 사이트에 관한 것이고 다른 하나는 대화에 관한 것입니다 세 번째 것은 언어에 관한 것입니다 아마 이들 각각을 걸을 것이 중요하다고 생각합니다 정말 신속하게 당신이 일종의 즉석에서 이해할 수 있습니다

코딩 없이도 얻을 수있는 기능 REST API를 사용하는 것 외에는 귀하의 응용 프로그램에 그래서 우선, 시력을 위해, 당신이 이미지를 가지고 있다고 말하면서, 그 이미지의 내용을 이해하고 싶습니다 자동으로 이미지를 Vision API에 전달하면 그 이미지 안에있는 물체가 무엇인지를 이해할 수 있습니다 자동으로, 그리고 당신은 얼굴이 어디 있는지 알아낼 수 있습니다, 다른 사람들에게 알릴 수 있습니다 동영상 이해 API의 경우 동영상, 장면 전환, 다른 대상을 알려줄 수 있습니다

해당 비디오 내에서 기본적으로 검색하고 찾을 수 있습니다 동영상 내 또는 동영상 전체에서 원하는 내용 여러 동영상을 전달하는 경우 OCR – 종종 사람들은 스캔 한 문서를 가지고 있습니다 그리고 무엇을 이해해야합니까? 도크는 그 문서에 있습니다 어쩌면 그것은 PDF 파일 일 수도 있고 GIF 파일 일 수도 있습니다

너는 할 수 있어야한다 GIF, JPEG가 아닙니다 API에 전달할 수 있습니다 그런 다음 자동으로 감지합니다 그 문서의 단어들은 무엇입니까? 그 원시 텍스트를 나중에 줄 수 있습니다

또는 장면의 이미지를 가지고 있거나, 벽에 징후가있다 그것은 당신에게 그 사인에 관한 텍스트를 줄 것입니다 따라서 OCR은 일상적인 응용 프로그램에서 정말 편리합니다 성인용 콘텐츠는 사실 실제로 하나입니다 정말로 중요합니다

사용자가 제출 한 콘텐츠를 얻으십시오 당신은 그 이미지에 무엇이 있는지 모릅니다 당신은 당신이 아닌지 확인해야합니다 사용자에게 부적절한 이미지를 제공합니다 따라서 성인용 콘텐츠 검색은 정말 쉬운 방법입니다

그 이미지에서 무슨 일이 일어나고 있는지 감지 할 수있게 당신이 걸러 내야 만하는 것이죠 귀하의 사용자에게? Conversation 클래스의 API의 경우 – 오디오를 텍스트로 – 스트리밍 오디오가있을 수 있습니다 그 다음 파일은 당신이 무엇을 말하고 있는지 알아 내야합니다 그런 다음 그 사건을 베끼고 그것을 당신에게줍니다 그것은 비디오, 사람들과의 실제 대화, 텔레비젼 쇼를 위해 무엇이든간에

그 반대도 가능합니다 텍스트 문자열이있을 수 있습니다 당신의 사용자에게 읽어 줄 필요가있다 자, 문자열을 응용 프로그램에 전달합니다 그러면 합성 음성을 만듭니다

그런 다음 사용자에게 알릴 수 있습니다 채팅 봇은 사용자와 소통 할 수있는 방법입니다 채팅에서 직접 원하는 상호 작용을 프로그래밍 할 수 있습니다 사용자와 대화하고 특정 종류의 대화를 프로그래밍 할 수 있습니다 계속해서 고객 서비스 전화로 도움을 받으십시오

또는 그런 것들 언어 API에서, 자유 형식의 텍스트를 가지고 있다면 정말 어렵습니다 정말 도대체 무슨 소리 야? 우리는 밖으로지도하고 무엇의 맥락을 알아낼 것입니다 말하자면, 문장의 데이터 구조를 찾아 내고, 당신이 알아낼 수 있도록 말의 부분을주세요 좋아, 명사 란 무엇인가? 동사는 무엇인가? 이것들의 관계는 무엇입니까? 그리고 나서, 당신은 지능적인 것을 할 수 있습니다

그 구조와 감정 분석은 함께 전송되는 분위기는 무엇인가요? 그 단어들로? 우리가 가진 것은 우리는 많은 좋은 성공을 시도했습니다

예를 들어 고객 서비스의 정서를 모니터하는 것 이메일이나 채팅, 물건 나가기 관리자에게 에스컬레이션 할 수 있음 그래서 물건들이 나선형으로 나오지 않도록 할 수 있습니다 제어 또는 무엇인가가 공격적인지 이해할 필요가 있다면, 또는 평온한, 또는 행복한, 당신은 어떻게 분류하고 있는지 확인합니까 고객이 평점을 매기는 것이 적절하다면 서비스 콜, 그런 것들? 번역에서는 자동으로 번역하는 좋은 방법입니다 한 언어에서 다른 언어로 예를 들어 다음에 대해 조금 이야기하겠습니다

예를 들어, 당신이 게임 개발자라고 말하면, 당신은 온라인 커뮤니티를 가지고 있습니다 하지만 그들은 전세계에서 온다 다른 언어로 말하기 당신은 그들이 서로 이야기 할 수 있기를 원합니다 실시간 채팅에서 기본적으로 할 수 있습니다

다른 언어로 번역 할 수있는 능력이 있어야합니다 따라서 Translate API를 사용하면 정말 쉽습니다 또는 인바운드 고객 서비스를받을 수 있습니다 이메일을 보내고 언어로 번역 할 수 있습니다 고객 서비스 담당자가 고객이 이해할 수 있도록 그러면 고객에게 응답 할 수있는 적절한 문서를 찾을 수 있습니다

이 API에 대한 좋은 점은 기본적으로 REST API 만 있으면됩니다 기본적으로 코드 스 니펫을 제공합니다 당신은 그것을 당신의 앱으로 팝니다 당신이 정말로 바꾸어야 할 유일한 것 데이터를 가리키는 키와 URI입니다 그리고 짜잔, 떨어져

그것보다 더 간단해질 수는 없습니다 다음 질문은 성능이 어떻습니까? 실제로 얼마나 효과가 있습니까? 그들은 일반적인 사용 사례에 정말 좋습니다 경우에 따라 문제가있을 수 있습니다 Google이 결코 다루지 않았던 또는 상황을 처리해야 할 수도 있습니다 Google이 다루어야 할 것보다 훨씬 더 자세하게 설명합니다

예를 들어 Google은 볼트와 못의 차이를 쉽게 알 수 있습니다 하지만 당신이 제조업 자라고 가정 해 봅시다 생산 라인에 2,000 개의 볼트가 있습니다 귀하의 부품에 대한 차이점을 어떻게 알 수 있습니까? 글쎄, 우리가 가능하게 한 것은 Cloud AutoML 그래서 당신은 라벨이 붙은 모든 부품의 이미지를 제공 할 수 있습니다 그리고 우리는 그들을 구별하지 못할 수도 있습니다

라벨을주지 않으면 그런 다음 모델을 교육합니다 그런 다음 REST API 엔드 포인트를 얻을 수 있습니다 귀하의 응용 프로그램에서 사용하십시오 그래서 좋은 점은 사용하기가 정말 쉽다는 것입니다

그리고 당신은 기계 학습을 알 필요가 없습니다 우리는 당신을 위해 그것을한다 그런 다음 응용 프로그램에서 사용할 수 있습니다 그래서 다음 질문은, 음, 이것이 얼마나 효과가 있습니까? 실제로 모든 오픈 소스보다 효과적입니다 밖에있는 모델

따라서 훌륭한 실적을 올릴 수 있습니다 그리고 사용하기가 정말 쉽습니다 그래서 정말 도움이되었습니다 그래서 실제로 ML을 사용하는 방법 중 하나입니다 또 다른 방법은 데이터 과학자가 있다고 가정 해 봅시다

내 자신의 데이터를 가지고 있기 때문에 내 모델을 만들고 싶습니다 그리고 그것은 내가 다룰 필요가있는 커스텀 문제입니다 음,이 작업에는 두 가지 다른 방법이 있습니다 하나는 클라우드 관리 서비스를 사용하고 있습니다 그리고 이것들은 당신이하지 않는 서비스입니다

인프라를 다루고 싶다 우리는 당신을 위해 그것을 다룰 것입니다 그렇게하면 컴퓨터 학습 프로세스에 집중할 수 있습니다 그래서 우리는 Dataproc과 Dataflow를 가지고 있습니다 그래서 당신은 당신의 전처리를 다룰 수 있습니다

Dataproc은 본질적으로 Hadoop 및 Spark이지만 관리, 또는 Dataflow가 백엔드에서 Beam을 사용하고 있습니다 프로세싱을 처리하는 관점에서 머신은, ML 엔진 또는 기계 학습 엔진, 인프라 스트럭처를 자동으로 가동시킬 수 있습니다 그리고 우리는 그걸 좀 알아볼 것입니다 당신이 끝나면 그것을 찢어 버려라 따라서 인프라 스트럭처가 사라집니다

데이터 과학자들로부터 모든 최상위 프레임 워크를 지원합니다 그리고 우리는 Datalab을 가지고 있습니다 데이터 탐색을 쉽게 할 수 있습니다 먼저 Datalab에 대해서, 얼마나 많은 사람들이 실제로 Jupyter Notebook을 사용했습니다 주피터 노트북에 대해 알고 있습니까? 약 3 분의 1 정도가 될 것입니다

나머지 사람들은 그렇게 이해합니다 주피터 노트는 근본적으로 데이터를 가리킬 수있는 앱 귀하의 데이터를 분석 할 수있는 코드를 제공하십시오

데이터를 시각화하고, 반환하고, 즉시보고, 얻을 수 있습니다 몇 가지 피드백을받은 다음 반복하여 반복하고, 그것을 계속 추가하십시오 전체 노트북을 재생할 수 있으며, 당신은 그저 특정 스 니펫을 연주 할 수 있습니다 직장 동료와 공유 할 수 있습니다 그래서 그것은 정말로 탐험하고 시각화하는 훌륭한 방법입니다

및 프로토 타입 그래서 환상적인 도구입니다 Datalab에 대한 좋은 점은 모든 다른 클라우드 서비스에 연결하도록 미리 구성 BigQuery와 ML 엔진 등이 있습니다 따라서 클라우드에서 벗어나기 만하면됩니다 랩톱에서 로컬로 사용할 수도 있습니다

기계 학습 엔진은 정말 좋은 방법입니다 임의의 데이터 사이트에서 분산 학습 수행 모든 상위 프레임 워크를 사용하여 데이터를 처리 할 수 ​​있습니다 그리고 다시, 그것은 관리 서비스입니다 따라서 모델과 데이터를 가리키고, 그리고 당신은 단지 그것을 회전시킵니다 그것은 당신을위한 모든 분산 훈련을 담당합니다

당신은 그것에 대해 걱정할 필요가 없으며 종료됩니다 모든 것을 찢어서 사용하는 것에 대해서만 비용을 지불합니다 그래서 이것을하는 것이 정말 효율적인 방법입니다 실수로 해당 VM을 켜두는 것에 대해 걱정할 필요가 없습니다 한달 전에 고지를 청구하고 청구서를받을 때

이것에 대한 또 다른 좋은 점은 배치 예측 및 온라인 예측도 수행합니다 기본적으로 이러한 일괄 예측 작업을 실행할 수 있습니다 정말 효율적입니다 또는 온라인 예측을 위해 REST API 끝점을 만듭니다 당신의 모델을 위해 당신을 위해 그리고 어떤 양으로도 봉사하십시오

당신은 당신이 가지고있는 많은 수의 앱을 필요로합니다 정말 쉬운 방법으로 앱을 관리 할 수있는 좋은 방법입니다 다른 하나는 데이터 과학자들이 종종 모델 최적화를하지 않는다 그것은 일종의 고통이기 때문에 모든 다른 매개 변수를 변경해야합니다

데이터 세트에 적합한 구성을 찾으십시오 글쎄, 우리는 그것을 ML 엔진에 내장했다 그래서 그것은 실제로 그것을 당신을 위해 간단하게 만듭니다 매개 변수 만 입력하면됩니다 최적의 모델을 찾으십시오

그래서 좋은 모델을 찾기보다는, 실제로 데이터 세트에 가장 적합한 것을 찾는 것입니다 따라서 모델 실적을 향상시킬 수 있습니다 관리 관점에서 모든 것을 하나로 모으는 것은, 우리는 전체 ML의 모든 단계에 대해 다른 서비스를 가지고 있습니다 애플리케이션에 대해 처리해야하는 라이프 사이클 우리는 섭취 측, 전처리 측, 저장 및 탐색 및 실험, 시각화 측면, 모델 교육 및 제공, Data Studio를 사용하여 보고서를 만들 수 있습니다

그것 모두는 우리의 관리 서비스에, 당신은 인프라를 다룰 필요가 없습니다 모든 호출기를 관리하는 SRE를 보유 할 필요는 없습니다 이렇게하는 다른 방법은 직접 해보는 것입니다 자신 만의 솔루션을 선보일 수 있습니다 사실 몇 가지 매우 유효한 이유가 있습니다

왜 일부 고객은 이것을 원할 것입니다 당신은 연구자 일 수도 있고 당신 일 수도 있습니다 스택의 모든 부분을 변경할 수 있기를 원한다 원한다면, 당신은 매우 맞춤화 된 파이프 라인을 가지고 있을지도 모릅니다 또는 당신이 최첨단을 원할 수 있습니다

오픈 소스 소프트웨어는 당신이 원하는 시점에 펑크 난다 여러 가지 이유가 있습니다 너는 그걸 원할지도 모른다 그게 전부입니다 우리는 그런 사용자를 좋아합니다

하이브리드 구현도 가능합니다 어떤 것들은 클라우드에 있고 어떤 것들은 온 – 프레미엄입니다 매우 일반적인 사용 사례입니다 우리는 그것을지지하고자합니다 그래서 직접 해보고 그것을 배포 할 방법이 있습니다

정말 중요합니다 따라서 우리와 똑같은 인프라 이전에 관리되고 있던 동일한 종류의 오픈 소스 플랫폼을 자동으로 롤백 할 수 있습니다 자신의 인프라에서 너는 그것을 관리한다 그리고 당신은 똑같은 하드웨어를 갖게됩니다

다른 솔루션에 전력을 공급합니다 그래서 우리는 얻는 것이 정말 쉽습니다 깊은 학습으로 시작되었습니다 깊은 학습은 정말 이륙하고 있습니다 복잡한 데이터에서 통찰력을 찾는 정말 좋은 방법입니다

세트 또한 인증 및 최적화 된 VM 이미지를 제공합니다 GCE에서 일하기 상자에서 꺼내면 Jupyter Notebook을 얻을 수 있습니다 모든 하드웨어에 액세스 할 수 있습니다

크리스가 잠시 후에 얘기 할 것입니다 그리고 가능한 최상의 결과를 얻을 수 있도록 구성되었습니다 따라서 클릭 한 번으로이 항목을 배포 할 수 있습니다 원하는 기계에 접근하여 접근하기 당신이 원하는 모든 액셀레이터에게 즉각적으로 갈 준비가되었습니다

우리는 약속에 대해 언급했다 Google이 오픈 소스 커뮤니티에 미친 영향 Kubeflow는 제가 좋아하는 오픈 소스 프로젝트입니다 지난 가을에 Kubernetes에서 시작되었습니다 특정 ML 작업을위한 마이크로 서비스를 만들 수 있어야한다

분산 형 교육 또는 분산 형 당신이 원하는 곳마다 다른 종류의 모델을 제공하고, 그것이 GCP에 있든 또는 온 – 프레스에 있든 상관 없습니다 따라서이 컨테이너를 배포하는 데 매우 휴대 가능한 방법입니다 당신이 원하는 곳이라면 그런 식으로 배포 할 수 있습니다 일관된 GCP 또는 온 – 리소스 일치에 대해 걱정할 필요가 없습니다

Kubernetes가 그것을 처리하기 때문에 이 모든 것을 다룰 수있는 쿠버 넷 고유의 방식입니다 그리고 다시 CPU, GPU 및 TPU에서 작동하도록 구성되었습니다 GCE에 온 – 프레미스 (On-prem), 내부적으로 가지고있는 모든 것에 액세스 할 수 있습니다 그렇다면 GCE에 배포하면 어떻게 될지 모르겠습니다

GKE 클러스터를 생성하고, 그것은 GCP의 관리 Kuvernnetes 클러스터입니다 그러면 JupyterHub 노트북을 스핀 업할 수 있습니다 TensorFlow 교육 서비스 또는 기타 프레임 워크를 시작하십시오 너는 넣고 싶었고 똑같은 일을했다 당신의 TensorFlow 서빙을 위해

모든 사용자가 공유 저장소에 액세스 할 수 있습니다 GCP에서 Kubernetes에게 자연스럽게 따라서 실제로 할 수있는 좋은 방법입니다 이것은 매우 휴대용 방식으로 그런 다음 전체 컨테이너를 원하는 위치에 배치 할 수 있습니다 그리고 그것은 환상적인 해결책입니다

그래서 지금, 나는 시간을 보낼 것입니다 Chris에게 하드웨어에 대해 이야기 할 것입니다 크리스 클리브 : 감사합니다, 저스틴 테이크 어웨이로 돌아가서, ML에 흥미를 느끼고, Google 클라우드에 ML을 구현할 수 있다고 확신하면서 Google의 인공 지능 (AI) 포커스는 우리를 귀하의 ML에 적합한 파트너로 만들어줍니다 워크로드

정말 빨리 이야기 해 봅시다 단지 이러한 것들을 되풀이하기 위해서입니다 개발자이고 ML을 구현하려는 경우, ML 전문가가 될 필요는 없습니다 API 모델을 사용하십시오 위험을 낮추십시오

사전 훈련 된 ML 모델이 마음에 들지 않는 경우 또는 사용자 정의 무언가를해야합니다 AutoML과 함께 웹 브라우저를 사용하여 사용자 정의 ML 모델을 작성하십시오 놀라운, 슈퍼 간단합니다 그리고 데이터 전문가 또는 기계 학습 과학자 인 경우, 또는 도메인 전문가가 작업 부하에 적합한 도구를 제공합니다 게다가

Google 클라우드에 ML을 성공적으로 구현할 수 있습니다 그러나 컴퓨팅 및 인프라에 대해 간단히 이야기 해 봅시다 ML과의 관계 최근 AI 개선 및 발전의 80 % 더 많은 이용 가능한 컴퓨팅 성능에 기인 한 것입니다 그러나 최근의 TensorFlow 이벤트에서, 설문 조사에 따르면 사람들이 접근 할 수 없다는 것을 인정합니다 ML 연구를 위해 충분히 계산할 수 있습니다

그것은 분명한 문제입니다 이제 수십 년 전으로 돌아 가자 왜냐하면 우리 모두 우리가 서있는 ML에서 일하는이 방에서 거인의 어깨에 신경망과 ML의 작동 방식에 대한 개념, 수십 년이 지났습니다 인간의 두뇌를보고, 어떻게 뉴런이 서로 연결되어 있는지, 그들이 정보를 전달하는 방법 한 뉴런에서 다른 뉴런으로, 그것은 오래된 개념입니다

하지만 최근의 구현입니다 대규모 데이터 센터 및 하드웨어 가속기 우리가이 큰 신경 네트워크를 만들 수있게 해줬습니다 ML의 발전 인프라가 중요합니다 그리고 그것이 중요한 이유는, 당신이 어떤 길로 가든 상관없이 – Google ML 모델을 사용하여 맞춤 모델 만들기 – 그것을 지탱하고있는 인프라입니다

우리 모델에서는 이미 데이터를 가져 왔습니다 훌륭한 알고리즘을 통과 시켰습니다 이 인프라, 대규모, 축구 규모의 현장 데이터 센터 이 모델들을 더 좋고 더 좋게 만드십시오 그리고 우리는 계속 그렇게 할 것입니다 Google Cloud를 사용하면 그 같은 규모로, 너와 그것을 할 수있는 것과 똑같은 힘 알맞게

GCP에 관한 새로운 ML 고객 중 한 명 OpenAI이고 대규모에 대해 이야기합니다 그들은 관리되지 않는 길로 갔다 그들은 도메인 전문가이고, 그들은 AI 사고 리더입니다 그들은 비영리 단체입니다 AI로 혁신하고 개방적이고 안전하게 만들기 위해 노력하고 있습니다

그들은 10 만개 이상의 프로세서를 사용합니다 보강 학습을 할 수 있습니다 수천 개의 GPU를 사용하여 기계 학습을하고 있습니다 혁신을 가능하게하는 것은 규모에 대한 접근입니다 그 (것)들을 위해 그것을 제공하고있는 Google Cloud입니다

하드웨어 가속기는 매우 중요합니다 하드웨어 혁신뿐입니다 CPU가 있으면 Skylake를 사용할 수 있습니다 그러나 ML 작업 부하의 경우 분산 된 교육의 경우 커다란 교육 일자리가 생기면 마비 된 계산 능력이 필요합니다 따라서 우리는 역사적으로 2017 년 2 월 이후로, 우리는 세 개의 NVIDIA GPU 모델 인 K80, P100, V100, 고성능, 패스 스루 PCI입니다

V100을 사용하면 NVLink 상호 연결이 가능하며, ML 워크로드에 아주 좋습니다 우리가 조금 다른 것보다 우리의 경쟁 업체는 맞춤 VM을 제공하는 방식을 사용합니다 CPU 사용량, 메모리 사용량, 기타 GPU 유형, 보유하고있는 GPU 수, 원하는 VM 수, 네트워크 연결 스토리지를 사용하거나 고속 디스크를 원할 경우 특정 작업 부하에 대한 I / O, 서버 내 SSD 연결, 그리고 당신이 원하는 것을 지불하십시오 또는 병목 현상이있는 경우 그 중 하나를 조정하십시오 우리의 다른 경쟁 업체 중 일부는 유연성을 제공하지 않습니다

그래서 돈을 저축하려고합니다 ML 작업이 더 빨리 진행될 것입니다 사실은 이번 주에는 새로운 P4 GPU를 출시했습니다 일주일 후에 나올거야 ML 추론 워크로드에 유용합니다

따라서 우리는 파트너 인 NVIDIA와 계속 협력 할 것입니다 새로운 GPU를 시작하십시오 그래서 우리는 거기서 멈추지 않습니다 AI에 초점을 맞추면 TPU가 생깁니다 우리는 Cloud v2 TPU를 작년에 만들었습니다

이것은 기계 학습을 위해 의도적으로 제작 된 ASIC입니다 그리고 오늘, 우리는 몇 가지 새로운 발표를했습니다 v3이 나오고, 빠르고 저렴한 ML 작업 부하 TPU 포드가 있습니다 TPU 포드는 일련의 TPU입니다

빠른 네트워크로 연결됩니다 다시 한번, 구글의 AI는 인프라를 구축하는 데 중점을두고 있습니다 우리는이 ML 모델을 더 빨리 교육하고 있습니다 우리는 또한 당신에게 그것을 제공하고 있습니다 우리는 당신의 ML을위한 올바른 파트너라고 믿어야합니다

워크로드 저축은 많은 돈입니다 많은 회사에 크고 큰 거래 스탠포드에 예산이있는 조교수가 있습니다 ML에서 몇 가지 연구를 수행합니다

그리고 그는 고정되어 있습니다 – 그가 할 수있는 일은 너무 많아 따라서 관리되지 않는 경로의 윈 – 윈 제품 – 선점 형 VM, 선점 형 GPU 및 TPU가 있습니다 때로는 여분의 용량이 있습니다 또한 교육 및 추론과 같은 ML 배치 워크로드, 우리는 GPU와 TPUs의 70 % 할인을 제공하고 오늘 아침에 발표했습니다 TPUs의 가격을 인하했습니다

그래서 지금,이 연구원은 우리의 여분의 수용력을 사용할 수 있습니다, 약간의 비용 절감, 배치 워크로드 실행 모든 사용 사례에 해당하는 것은 아닙니다 보장되지 않습니다 항상 거기있는 것은 아닙니다 하지만 연구를하고 있다면 필요한 일이나 큰 조직을해라 배치 작업 부하가 한 번씩 적은 비용으로 더 많은 혁신을 할 수있는 좋은 방법입니다

ML에서는 데이터가 정말로 중요합니다 Google은 훌륭한 광섬유 네트워크, 훌륭한 인터넷 서비스를 제공합니다 사이 따라서 데이터를 큰 단위로 이동하는 경우, 우리는 그것을 처리했습니다 실시간으로 들어오는 대규모 데이터 흐름이 다양한 출처 – 우리는 전 세계에 구름 위치를 가지고 있습니다

일부 데이터를 우리에게 발송해야하는 경우, 우리는 당신이 대량으로 출하 할 수있는 가전기구를 가지고 있습니다 그것은 단순한 계산이 아니라 훌륭한 인공 지능 서비스입니다 그것은 네트워크입니다 보안입니다 그것은 거기에 내장 된 모든 것입니다

그래서 우리는 많은 인공 지능 서비스에 대해 이야기했습니다 우리는 당신에게 개요와 소개를주었습니다 우리는 ML이 불가능 발명에 관한 것이 아니라는 것에 대해 이야기했습니다 그것은 재상영과 재발생에 관한 것입니다 너 오늘하고있는 일

현재 14,000 명이 넘는 고객이 GCP에서 ML을하고 있습니다 오픈과 하이브리드에 중점을두고, 및 멀티 클라우드 작업 부하, 하드웨어에 중점을 둠, 우리가 발표하는 우리의 새로운 서비스, 그리고 언급 한 기조 연설, 새로운 AutoML 서비스, 고품질 API – 네가 어떻게하고 싶은지 상관 없다 당신이 할 수 있다는 것에 흥분을 느껴야합니다 당신은 당신이 성공적으로 그것을 할 수 있다고 확신해야합니다 Google은 귀하에게 적합한 파트너입니다

더 배우고, 시작하고, 얻을 수있는 여러 가지 방법이 있습니다 세워짐 내가 특별히 말하고자하는 것은 내가 개인적으로 Kaggle이 사용되었습니다 Kaggle은 ML 대회 서비스 및 커뮤니티입니다 나는 ML을 배울 때, 내가 뭘하는지 몰랐다

그리고 이미지 인식 경쟁이있었습니다 운전자가 도로에주의를 기울이거나 또는 산만 한 느낌 그래서 커뮤니티에 가입하여 ML 도전에 합류했습니다 TensorFlow를 사용하는 방법에 대한 많은 리소스가있었습니다 및 데이터를 사전 처리하는 방법

그리고 Google은 Kaggle을 사용하여 전 세계 사람들을 돕고 있습니다 ML을 배우십시오 그리고 너도 그걸 쓸 수있어 또는 데이터 세트가 많은 조직의 경우, 당신은 경쟁을 시작할 수 있고 세계의 ML 전문가를 가질 수 있습니다 너를 위해 ML을해라

방법에 대한 자료가 많이 있습니다 이러한 서비스에 대해 알아보십시오 Google Cloud 고객이 아닌 경우 무료 크레딧이 제공됩니다 이미 그래서 그 점에 대해 감사 드리고 싶습니다

우리 시간은 거의 다됐다 우리는 몇 가지 질의 응답을 할 것입니다 양쪽에 2 개의 마이크 그리고 몇 가지 질문을하십시오 고마워요

[박수 갈채] [음악 재생]

Netmarble Games: A Case Study of Game Operation Enhancement with AI/ML (Cloud Next ’18)

[음악 재생] 나는 게임 서비스 AI 부서장입니다 동시에 기술 기술부 장 [INAUDIBLE], 넷 매블

네, 그리고 솔직히 말해서, 이것은 약간의 [INAUDIBLE]입니다 나를 믿거 나 말거나, 나는 하나이다 한국에서 인기있는 연사의 저는 한국어로 아주 좋은 연설을한다고 믿습니다 하지만 지금 영어로 말해야합니다 매우 긴장 했어요

솔직히이 세션을 취소하려 했어요 여러번– [웃음] -이 이벤트를 사용하여 개발자에게 질문하기 때문에 내 제품, 회사 제품을 제 시간에 개발하십시오 그리고 나는 네가 미국에서 연설을해야만한다고 말했다 일정을 이겨야 해 그리고 나는 조금 더 일찍 그것을 취소하는 것을 잊었다

지난 주에, 나는 [[? API?] Google Cloud에서 그리고 저는 행복하지 않다면서이 프로젝트를 취소하고 싶습니다 이 이벤트를 취소하고 싶습니다 그리고 그들은 말했다, 왜? 그리고 당신 이름은 이미 모든 곳에서 인쇄되어 있습니다 당신은 그렇게해야합니다 그리고 내가 말했지, 오, 안돼, 안돼, 안돼, 안돼, 안돼

제 프리젠 테이션이 그렇게 인기가 없습니다 참석하고 싶은 사람이 없습니다 하지만 여기에는 너무 많은 사람들이 있습니다 네,이 행사에 참여해 주셔서 감사합니다 그리고 네

그래서 나는 아마 3 일을 보냈다 자료를 준비하는 3 일간 내 경험을 [? GGP,?] 또한 Google PSO로 즐거운 추억을 남깁니다 하지만 우리가하기 전에, 나는 단지 Netmarble을 소개합니다 당신에게 친숙한 Netmarble, Netmarble 매우 큰 게임 회사입니다 그러나 한국에서는 1 위입니다

그러나 미국에서는 모두가 Kabam 또는 Jam City를 알고 있다고 생각합니다 그것이 우리 지점입니다 우리는 그들의 회사를 인수했습니다 하지만 Netmarble은 그렇게 인기가 없으므로 Netmarble을 소개하고 싶습니다 그러면 나는 어떤 종류의 물건을 설명 할 것이다

우리는 인공 지능과 기계 학습을 위해 노력하고 있습니다 그렇다면 우리가 한 일을 공유하고 싶습니다 어쩌면 3 번 정도의 사례 연구로 깊이 잠수 해보세요 나는 준비했다 예, 이것은 Netmarble입니다

우리 로고 야 그리고 이것이 우리의 주인공입니다 이름은 쿠쿠입니다 웃을 때 [INAUDIBLE]와 (과) 비슷한 것입니다 믿거 나 말거나, 이것은 공룡입니다

우리의 의장은 그것은 공룡입니다 하지만 그래, 조금 악어 같아 그러나 어쨌든, 그것은 공룡입니다 노란색은 우리의 기호 색입니다 그리고 이것은 "Marvel"의 주요 제목을 보여줍니다

"트랜스포머", "리니지 II"및 "StoneAge M" 및 "일곱 밤"및 모두의 대리석 " 이것이 우리의 핵심 제목입니다 우리 신문 아직도 긴장 돼있어 예, 외부 IP를 사용하고 있습니다

우리의 최신 마케팅 비용 그래서 우리가 디즈니의 "Marvel"을 따르는 이유 아마도 Hasbro의 "Transformer"일 것입니다 동시에 우리는 우리 자신의 강력한 지적 재산권을 만들려고 노력합니다 센터 인 "세븐 나이트"는 원래 IP입니다 그리고 우리는 "석기 시대"를 샀다

그리고 이것은 [INAUDIBLE] 모델 인 "Everybody 's Marble"입니다 이는 원래 IP이기도합니다 그리고 이것은 "계보 ll"입니다 – 매우 인기있는 MMORPG IP 중 하나입니다 그리고 엔씨 소프트에서 빌려 왔습니다 그리고 우리는 한국에서 커다란 성공을 거두었습니다

아마도 TBCF를 모두 보게 될지 모르겠습니다 우리는 미국에서이 타이틀을 마케팅하기 위해 Conan O'Brien을 사용하고 있습니다 그러나 우리는 미국에서 큰 성공을 기대하고 있습니다 우린 시도했지만 실패했습니다 어쨌든, 우리는 미국에서 더 큰 성공을하기 위해 최선을 다합니다

이것이 우리의 역사입니다 Netmarble은 젊은 회사가 아닙니다 Netmarble은 2000 년에 설립되었습니다 그리고 우리는 RPG 게임 개발자와 퍼블리셔도하고 있습니다 그리고 2013 년에는 RPG에서 전체 방향으로 변경했습니다

모바일로 그리고 우리는 그곳에서 성공하고 계속해서 빠르게 성장하고 있습니다 우리는 Tencent 및 [? EngiSoft ?] 그리고 우리는 잼 시티 (Jam City)를 인수하고 카불 (Kabam)을 인수했습니다 그리고 우리는 혁신으로 더 커질 것입니다

예를 들어,이 제목의 이름은 "ChaChaCha"입니다 이것은 한국 최초의 [INAUDIBLE] 메가 히트 게임입니다 그리고 이건 [? 괴물?] [? 길들이기 ?] 그리고 우리는 한국의 모바일 RPG 표준 그리고 또한, 우리는 실시간으로 [? 짓다 ?] [INAUDIBLE] 모델 인 "Everybody 's Marble"

그리고 이것은 놀랄만 한 [부적절한], 거대한 성공입니다 이 기간 동안 한국의 시장 점유율은 50 % 이상입니다 미쳤어 그리고 나서, "Lineage Revolution"을 시작했습니다 더 많은 하드 코어 타이틀을 기대합니다

우리 모바일 장면에서 인기가있어서 MMORPG를 출시했습니다 그리고 그것들은 또한 커다란 성공을 거듭합니다 그 다음 우리는 Kabam와 Jam City를 인수했다 미국 시장에서 개척하기 우리는 한국어이므로 무엇을 이해하는지 정말 어렵습니다

서양 사람들은 사랑합니다 그래서 우리는 단지 우리 자신을 찾습니다 돈을 사용하는 간단한 해결책 좋아, 어떤 회사 그래

예 이것이 우리의 11 년 성장 그래프입니다 미쳤어, 그렇지? 그리고 요즘에도이 경사를 계속 유지합니다 그리고 우리는 작년에 우리는 3 위 출판사입니다 Apple과 Google을 결합합니다 구글에 대해서만, 우리가 아는 한 제일입니다 그건 [INAUDIBLE] 맞죠? 네

[박수 갈채] 이것은 숫자입니다 우리는 매우 자랑 스럽습니다 그리고 우리는 전 세계적으로 3 위의 게임 퍼블리셔입니다 그리고 11 년 CAGR은 89 %이고 680 억 달러 MAU입니다 그것은 한국의 전체 인구보다 큽니다

또한 19 개의 독립 개발 스튜디오가 있습니다 우리는 한국에 3,000 명이 넘는 개발자를 보유하고 있습니다 아마도 우리는 3,500 명이 넘을 것입니다 [알아들을 수 없는] 그것은 매우 빠르게 자라고 있습니다 그리고 재미있는 점은, 우리는 단지 4 % 모바일 판매에 대한 세계 시장 점유율

우리는 아마 더 빨리, 어쩌면 5 또는 6과 10이 될 것으로 예상하고 있습니다 그리고 나의 의장은 항상 더 많은 시장을 얻으려고 우리를 밀어 붙이고 있습니다 전세계에 공유하십시오 그리고 나서, 세계 시장의 모바일 전 세계에서 매우 높은 곳입니다 그리고 중국에서는 사업이 없었습니다

그러나 한국과 중국 정부 정치적인 문제가있다 그리고 중국 시장에 진입하는 것은 정말로 어렵습니다 하지만 올해는 아마도 중국 시장에 진출 할 수있을 것 같습니다 우리는 그것을 기대하고 있습니다 그리고 그것은 올해 더 큰 성장을 할 것입니다

한국은 여전히 ​​우리에게 최고의 시장입니다 그러나 2 위는 북미에 있으며, 3 위는 일본이다 그리고 우리는 일본 시장에 집중하고 있습니다 올해는 일본에서 1 위를 차지했습니다 어제 우리는 새로운 타이틀을 시작했습니다

"전투기 Allstar의 왕"은 어제, 그리고 그것은 아주 좋은 출발처럼 보입니다 예 이것이 우리 스튜디오의 차트입니다 그리고 우리가 이것을 보여주고 싶습니다 너무 많은 스튜디오가 있습니다

즉, 개발할 수있는 [무관심한] 파이프 라인이 있음을 의미합니다 많은 주력 타이틀 그것은 우리를 매우 공격적으로 사업하게 만듭니다 예를 들어, 지난 주에 우리는 "StoneAge M"을 출시했습니다 이번 주에 우리는 "The King of Fighters Allstar"를 발표했습니다

다음 달에는 한국에서 새로운 타이틀을 시작할 예정입니다 다음 달에도 다음 달에 새로운 타이틀을 출시합니다 우리는 적극적으로 타이틀을 출시하고 있습니다 고맙습니다 그렇다면 우리는 인공 지능으로 무엇을하고 있습니까? 및 기계 학습? 그래서 Netmarble의 독창성을 설명하고자합니다

우리는 모바일 게임 퍼블리셔를 PC에서 모바일로 이끌고 있습니다 그리고 우리는 여전히 작은 PC 사업을하고 있습니다 그리고 네, 모바일에 갈 것입니다 동시에 우리는 한 장르에 초점을 맞추고 있지 않습니다 우리는 캐주얼 한 게임을하고 있습니다

동시에 우리는 여전히 액션 RPG를 개발합니다 그리고 요즈음, 우리는 우리의 MMORPG를 개발하고 있습니다 더 큰 돈을 벌기 위해 하지만 여전히 우리는 새로운 장르 [부주의] 더 빨리 성장할 수 있습니다 나는 큰 차이가 있다고 생각한다

우리와 다른 모바일 게임 회사간에 일반적으로 일반 회사는 초점을 맞추기 만합니다 한 장르 또는 한 장 제목 그러나 우리는 다양한 목표를 위해 다양한 장르를 만들고 있습니다 캐주얼 사용자에서 하드 코어로, 간단한 게임에서, MMORPG에 간단한 프로젝트 게임 우리는 모든 종류의 타이틀을 개발했습니다

그리고 우리는 많은 국가와 세계를 위해 일하고 있습니다 "7 박", "대리석 미래의 싸움", "계보 ll" "킹 오브 파이터 올스타" 우리는 한국, 동남아시아 및 일본에서 큰 성공을 거두고 있습니다 또한 미국 – 우리는 더 기대하고 있습니다 그렇게하기 위해, 우리는 많은 일을합니다

특히 우리는 여러 시도를하고있다 [? 입력?] [INAUDIBLE] 마케팅에서의 모바일 게임 운영 한국에서는 최고의 모바일 게임 베스트 마케팅을 정의합니다 그것은 우리가 모든 종류의 미디어 채널을 사용한다는 것을 의미합니다 2 주 동안 TV와 온라인 및 광고판을 포함하여 우리는 2 주 동안 만 미친 돈을 씁니다

그리고 그들은 우리에게 브랜드를 만들 것입니다 그렇다면 거대한 성공 한국에는 간단한 공식이 있습니다 거대한 돈을 모바일 타이틀과 함께 우리는 그것을 정의합니다

그리고 동시에, 우리는 다른 [무관심] 글로벌 마케팅 트렌드 예를 들어, 성과 마케팅 한국에서는 퍼포먼스 마케팅이 그렇게 중요하지 않습니다 제가 말했듯이, 대중 마케팅은 시장을 지배합니다 모바일 게임 시장

일반적으로 한국 기업은 실적에 익숙하지 않습니다 마케팅 여기서는 성과 마케팅이 중요하며, 어쩌면 TV 광고 나 광고판이 중요하지 않을 수도 있습니다 왜? 나는 모른다 보이는구나

그러나 한국에서는 모든 종류의 정보를 수집하고 있습니다 최고의 마케팅에 대해 그리고 한국 이외의 지역에서는 성능 마케팅을 채택하고 있습니다 경향 그리고 일본에서도 일본은 매우 독특한 장소입니다

그것은 매우 이해하기가 매우 어렵습니다 왜 이런 종류의 방법이 효과가 있는지, 왜 이것이 작동하지 않는지 이해하기 정말 어렵습니다 그러나 우리는 몇 년 동안 일본에서 성공하려고합니다 우리는 모든 종류의 정보를 수집하고 있습니다

그리고 마침내 우리는 [무관심]을 얻었습니다 이제 우리는 거의 같은 능력을 가지고 있다고 믿습니다 일본 기업으로 그래서 Netmarble의 AI 및 기계 학습을위한 힘 다양한 최상의 데이터 및 운영 노하우가 될 것입니다 우리는 다양한 장르 데이터, 다양한 시장, 다양한 마케팅 방법, 다양한 작업 – 캐주얼에서 하드 코어, 아시아에서 유럽 및 북미, 대량 데이터 기반의 고성능 마케팅, 그리고 빨리 [? 입양?] 일본 마케팅 전문, 상위 10 대 매출의 주력 타이틀 유지 5 년 동안 차트 우리는 5 년간 이러한 종류의 데이터를 수집하고 있습니다

그것은 우리의 특별한 무기입니다 Netmarble과의 주요 차이점이 있다고 생각하십시오 및 다른 게임 회사 그러나 그러한 종류의 데이터가 중요합니다 나는 그것이 중요하다고 생각한다

왜냐하면 [INAUDIBLE] title 보통 방법을 즐기는 [? 그냥?] [? ?] [? 일하는거야?] 맞지? [? 정복?]과 [? 고려해?] 결말 모바일 게임은 상당히 다릅니다 노출을 극대화하기 위해 자유롭게 플레이 할 수 있습니다 동시에 모든 종류의 콘텐츠를 선호합니다 유지 비율, 높은 유지 비율을 유지합니다

누군가는 정말 경쟁을 좋아합니다 누군가 커뮤니티를 정말 좋아합니다 누군가는 정말로 도전하는 것을 좋아합니다 누군가는 정말로 힘을 좋아합니다 그래서 우리는 하나의 제목에 모든 종류의 내용을 준비합니다

우리의 성공 가능성을 극대화합니다 그것은 Netmarble의 방식입니다 이 푸른 색 모양은 한국이고 이것은 브뤼셀입니다 이것은 미국, 대만입니다 같은 제목, 같은 균형, 하나의 빌드,하지만 모든 나라 다른 방식으로 그것을 즐긴다

정말 재밌 네요 그리고 이것은 시간 축입니다 그리고 이것은 [? 시도해 봐?] [? 즐길 수 내용 푸른 색은 한국이고 보라색은 미국 – 거대한 차이 몇몇 제목에 정복하거나 번호 하나가되는 가장 쉬운 방법은, [INAUDIBLE] 가장 효율적인 방법이 있습니다

그러나 어쨌든, 미국 친구들은 다르게 플레이합니다 한국 남자들은 다르게 게임한다 모두 다 다릅니다 우리는 게임 내 데이터의 종류를 가지고 있습니다 나는 이것이 우리에게 정말로, 정말로, 정말 강력한 무기라고 믿습니다

그러나 문제는 우리 출판의 커다란 유산이 있다는 것입니다 비즈니스 측면에서 PC 측면 그래서 우리는 Google과 매우 좋은 관계를 유지하고 있습니다 구름 이제 우리는 우리의 유산을 구름 트렌드로 바꿀 수 있기를 희망합니다

최대한 빨리 Google PSO에서 큰 도움이 필요합니다 [LAUGHS] 그래서 PC에서 모바일로의 [INAUDIBLE] 전환으로 인해 – PC 게임 측에 너무 많은 유산이있다 그리고 작년에 [INAUDIBLE] 클라우드 용 게임 [INAUDIBLE] 또한 Google Analytics는 모바일 용으로 [INAUDIBLE]입니다

우리는 모든 것을 가능한 한 빨리 바꾸고 있습니까? 우리 플랫폼을 바꿀 수 있다고 생각합니다 Google GCP와 같은 공개 클라우드에 우리가 가지고있는 데이터와 모든 것을 결합 할 수 있다면, 우리가 매우 강하게 AI와 기계 학습 회사가 될 수 있다고 생각합니다 어쩌면 될 수 있습니다 그래서 Netmarble은 올해 초 NARC를 시작했습니다 이 데이터로 새로운 비즈니스, 새로운 AI 비즈니스 개발 그리고 우리의 운영 노하우

NARC는 여기에 마약 관련 문제가 있다는 것을 알고 있습니다 하지만 나는이 이름을 사용하지 않는다고 말했다 그러나 어쨌든, 나의 의장은 이것을 사용하기로 결정했습니다 NARC는 Netmarble AI 혁명 센터를 의미합니다 그리고 혁명은 마케팅의 핵심 단어입니다

그리고 우리는 이영영을 고용합니다 17 년 – IBM TJ Watson Research Center에서 일합니다 그리고 그는 아마 왓슨의 조상 중 하나입니다 그리고 모두는 어쨌든 왓슨을 싫어합니다 이승영 대표는 현재 NARC의 책임자이며, 동시에 Netmarble의 CTO입니다

그는 기술 측면에서 모든 변화를 주도하고 있습니다 우리 산업은 [단순하다] 매우 간단합니다 AI 기술을 사용하여 게임 개발을해야합니다 그리고 우리는 더 나은 것을 만들고 싶습니다 AI 솔루션으로 작동합니다

예 이 [미숙 한] 우리는 모든 것을 할 수 있다고 말했다 우리는 모든 것을 할 것입니다 하지만 그래, 우리는 이미 약간의 진전을 이루고있다 강화 학습

모두들 그걸 시도했지만 우리가 시도 했어 우리의 균형 문제를 해결하기위한 학습 강화 또한 AI 기술을 사용하는 게임 시뮬레이터를 만들고 있습니다 동시에 우리는 큰 데이터 분석을하고 있습니다 BigQuery를 사용하는 Google Cloud 플랫폼 GCP 그리고 그들은 우리의 행동 데이터를 사용하고, 그들은 우리의 프로파일 데이터 인 QA 자동화 시스템을 사용하십시오

우리가 지금하고있는 일의 종류 나는이 편이 아니라이 편을 담당한다 네 내가 말했듯이, 나는 게임 서비스 AI를 담당하고있다 게임 운영과 관련된 AI, 모든 종류의 활동, 게임 외부가 아니야

예를 들어, 마케팅 및 운영 그리고 또한, 큰 데이터 분석 네, 그래서 저는 우리를 단순한 전략으로 만듭니다 – 그냥 ABC 내부의 모든 사람들에게 실용적인 통찰력을 제공하고 싶습니다 Netmarble 나는 모른다

많은 게임 스튜디오는 예측을 시도합니다 맞습니다 변동 예측, LTV 예측, 많은 것들 그러나 실제로 그러한 의미가 있습니다 내 질문이다

수년 동안, 우리는 서구 기업을 복사하려했습니다 서구의 회사는 우리의 능력보다 높은 것처럼 보입니다 그래서 우리는 모든 것을 따라 잡으려고했습니다 그래서 우리는 휘젓다을 예측하려고합니다 우리는 LTV를 예측하려고했습니다

그리고 우리의 결론은 그렇습니다, 우리는 그렇게 할 수 있습니다, 그렇다면 무엇을 할 수 있습니까? 따라서 돈을 더 벌거나 더 나은 서비스를 제공하기 위해 할 수있는 일 질문이 아닙니다 요즘 우리 팀은 집중하고 있습니다 실용적인 통찰력을 만드는 데 Netmarble 내부의 모든 사람들에게 실행 가능한 통찰력을 제공하십시오 예를 들어, 간단한 손실 예측을 제공합니다 마케팅 담당자에게 리포터 데이터를 기반으로 모든 것을 결정할 수 있습니다

마케터는 더 많은 돈을 지출하거나 지출을 중단하거나 변화시킬 것입니다 마케팅 채널 그리고 매일, 그들은 모든 것을 최적화하려고 노력하고 있습니다 데이터를 기반으로합니다 그런 종류의 일, 나는 그것을 정말로하고 싶다

비즈니스에 미치는 영향 인공 지능과 기계 학습은 매우, 유행 기술, 많은 문제를 해결할 수 있습니다 그러나 나를 위해, 기술적 인 문제를 해결하는 것은 매력적이지 않습니다 우리는 정말로 간단한 문제를 해결하기를 원합니다 하지만 그것은 큰 비즈니스 영향을 미칩니다

예를 들어 광고 사기 탐지 시스템을 개발합니다 그것은 퍼포먼스 마케팅을위한 엄청난 돈을 절약 할 것입니다 그리고 그런 종류의 일은 정말로하고 싶습니다 동시에, Netmarble은 모바일 게임 회사입니다 이것은 우리가 아주 좋은 개발자가 없다는 것을 의미합니다

인공 지능 또는 기계 학습 이상의 강력한 개발 타워 이 문제를 해결하기 위해 Google은 공동 작업을 실제로 시도했습니다 다른 대기업과 예를 들어, 우리는 아주 좋은 관계가 있습니다 Google 클라우드 – PSO 팀과 PSO 팀은 우리에게 많은 통찰력을 제공했습니다 새로운 시스템을 개발하고 두통 문제를 해결할 수 있습니다

그들은 매우 영리하며, 우리는 그들의 능력을 따라 잡고 있습니다 그러나 한 가지 더, 우리는 올바른 문제를 해결하려고 노력했습니다 올바른 문제는 우리가 실제로 해결하고자하는 것입니다 그리고 그것은 인간이 풀 수 있지만 때로는 필요합니다 많은 사람들이 있고 많은 시간이 필요합니다

그런 종류의 문제는 완벽하고 완벽합니다 기계 학습을 사용하기 때문에 우리는 믿습니다 그리고 우리는 이미 여러 경우를 시도했다 자신을 [무관계] 도표로 만드십시오 마케팅을 위해 LTV 예측, ROAS 예측 및 광고 사기 탐지 시스템

그리고 제가 말했듯이 우리는 LTV 예측을 개발했습니다 하지만 조금도 사용하지 않으므로 아무도 사용하지 않습니다 대중 마케팅에 사용하기가 어렵습니다 그리고 한국에서는 LTV가 그다지 중요하지 않습니다 그리고 그것은 동남 아시아와 어쩌면 일본에서도 마찬가지입니다

그래서 우리는 ROAS 예측을 개발했습니다 그리고 마케팅 예산을 회수 할 수 있습니다 월간 기준 우리는 마케팅 예산을 be [? 액체?] 2 개월 또는 3 개월 후 또는 4 몇 개월 뒤 그리고 나서, 우리는이 시스템을 개발했습니다

그리고 [무관심]은 매우 높습니다 현재, 그게 어떻게 내가 말할 수 있니? 어쩌면 플러스 또는 마이너스 15 일 정말 정확합니다

그리고 우리 사장님은 항상 더 많은 돈을 쓰고 자합니다 손실 예측을 기반으로합니다 또한 광고 사기 탐지 시스템을 개발했습니다 그것은 많은 마케터들의 두통입니다 그리고 그것은 정말로, 정말로

수많은 솔루션이 있습니다 예를 들어, [INAUDIBLE]도 그런 종류의 것을 제공합니다 그리고 많은 [? 동향?] 회사 광고 사기를 탐지 할 수있는 해결책을 제공하십시오

문제는 우리가 회사 외부에 의존하기를 원하지 않는다는 것입니다 그리고 우리는 탐지 할 데이터가 충분하다고 믿습니다 자신에 의한 광고 사기 그리고 우리는 노력했고 우리는 커다란 성공을 거두고 있습니다 게임 서비스 운영을 위해, 우리는 churn report, 다른 모든 사람들처럼

그러나 우리는 기계 학습을 사용하여 떠나는 것 또는 머무르는 것의 차이 당신은 그들이 가지고있는 차이점이 무엇인지 알게됩니다 누군가가 [[? PVP?] 손실 그리고 누군가가 5 ~ 6 번 연주한다면 더 오래 머물러 있습니다 하루

우리가 데이터에서 추출하고자하는 그런 통찰력 그리고 매일 아침, 우리 작전 팀원들은 보고서를받습니다 어떤 추세가 진행되고 있으며 어떤 종류의 주요한 차이점이 있는가? 버추기 사이에 [INAUDIBLE]와 [INAUDIBLE]에 머물러 있습니다 또한 특별 해산 예측 보고서를 개발했습니다 우리는 행동에 대한 단서를 제공하는 데 집중하고 있습니다

예를 들어, 여기 누군가가 있습니다 그들의 확률은 아마도 90 %를 넘을 것이다 그건 우리가 아무 것도 할 수 없다는 것을 의미합니다 그는 나가서 다른 칭호를 즐긴다 휘젓다 예측에서 여기 누군가가 아마도 해지율이 60 % 또는 80 % 일 것입니다

그러나 우리의 두 번째 날 보유는 50 % 이상입니다 그래서 60 %가 더 높거나 높지 않습니까? 일상적인 작업을 이해하는 것은 정말 어렵습니다 가이드 그래서 우리는 단지 간단한 지침을 제공합니다 이 사람에 집중하고,이 사람을 잡을 수 있다면 어쩌면 내일 후, 당신은 거대한 유지를 얻을 수 있습니다

[? 3?] [? 개월 ?] 그런 종류의보고, 우리는 매일 배달합니다 또한 게임 내 이상 탐지 기능을 개발합니다 그리고 그것은 우리의 협력 프로젝트입니다 Google PSO 팀과 오늘, 우리의 타이틀 서비스 기간 더 길고 길다

즉 콘텐츠는 매우 복잡합니다 버그없는 상태를 유지하는 것은 정말로 어렵습니다 항상 버그가있을 것입니다 즉, 항상 버그가 있음을 의미합니다 [INAUDIBLE]

그 종류의 사용자를 가능한 한 빨리 찾는 방법은 무엇입니까? 그것은 가장 중요한 문제 중 하나입니다 길고 길게 길게 봉사하십시오 그래서 우리는 테스트 시스템을 개발했습니다 그래서 나는 3 가지 사례를 깊이 잠수하고 싶습니다

하나는 레스 마라 보고서입니다 레스 마라 알고 있니? 그거 알아? 네, 일본 출신입니까? 관객 : [INAUDIBLE] 연사 : 네 Resemara는 매우 흥미로운 방법입니다 게임 콘텐츠를 즐길 수 있습니다 Resemara는 재설정, 결합, 마라톤입니다

일본과 아시아에서는 일반적으로 무료입니다 [INAUDIBLE] 비즈니스 모델을 채택한 게임을 즐기십시오 [INAUDIBLE]은 어떻게 말 할 수 있습니까? [INAUDIBLE] 네, [INAUDIBLE]에 익숙하십니까 ?? 자물쇠 상자 같은 거지? 그리고 일본에서는 마케팅 가격이 정말로 높습니다 즉, 우리는 사용자를 적어도 하루에 1 시간 이상 붙잡고 싶습니다 즉, 우리는 아주 좋은 인상을 주어야했습니다

시작시 그래서 우리는 특별한 [INAUDIBLE] 상자 만 준비했습니다 신규 사용자 그것은 매우 특별한 카드와 같은 것을 포함합니다, 또는 아주 특별한 특성, 또는 아주 특별한 선물 그것을 얻으려면 사용자 재설정, 즉 앱을 삭제하고 앱을 2 개 이상 계속 설치하십시오

또는 멈추지 않고 3 일 대개 200 회 또는 300 회, 사용자 실제로 그들이 원하는 것을 얻을 수 있습니다 얼마 동안은 1,000 회 또는 2000 회 이상입니다 그것은 매우 어리석은 보입니다 그러나 어쨌든, 그들은 그것을 시도했습니다

그리고 그것은 또한 주요 방법 중 하나입니다 일본과 동남아시아에서 게임을 즐길 수 있습니다 문제는 모든 KPI를 신뢰할 수 없다는 것입니다 회원 유지율은 매우 낮습니다 Resemara 때문입니다

아무도 그것을 모른다 그리고 첫 번째로, 가입 선물이 충분합니다 아무도 그것을 모른다 그러나 레스 마리처럼 뭔가가 너무 높습니다 그 말은 우리가 선물을 너무 많이주는 것을 의미합니까? 사인?] [? 사용자

?]하지만 Resemara가 너무 적 으면, 그것은 충분히 좋지 않다는 것을 의미합니다 얼마나 많은 계정 전환이 발생 했습니까? 그것은 또한 매우 중요한 것입니다 이 제목과 같은 것이 아주 좋습니다 이 제목은 우리에게 매우 특별한 가입 선물을줍니다 그리고 나서 그들은 레스 마라 (Resemara)를합니다

중국에는 이런 상황에 처한 사람들이 있습니다 그들은 Resemara [? 펌프?] 그들 자신에게 특별한 계좌 그런 다음 많은 계정을 생성하고이를 판매합니다 일본의 실제 선수 그리고 그런 종류의 일은 게임의 균형을 깨뜨릴 수 있습니다

그래서 매우 위험한 것입니다 그래서 Google은 많은 Google Cloud를 사용하여 Resemara보고 시스템을 만듭니다 플랫폼 서비스 우리는 기계 학습이나 특별한 것을 사용하지 않고 있습니다 하지만 어쨌든 모든 사용자 로컬 데이터를 분석 할 수 있습니다

BigQuery로 인해 실시간으로 강력한 Google Cloud 플랫폼입니다 마지막으로 Resemara없이 신뢰할 수있는 KPI를 생성 할 수 있습니다 이건 매우 중요합니다 지난 주에 우리가 한 가지를 개발했습니다 즉, 나는 개발자들에게 "King 파이터 알 스타 "발사

광고 사기 시스템 광고 사기가 나를 두통으로 여긴다는 것을 설명하기 위해, 방금 Google을 검색하여 아주 간단한 기사를 찾았습니다 그것에 대해 모바일 광고 지출은 올해 또 20 % 증가하고있다 그리고 20 % [미숙품]

모든 광고 제목에는 광고 사기가 있습니다 즉, 불법 다운로드 또는 무언가를 의미합니다 클릭 [? 손바닥?] 또는 [INAUDIBLE] ,, 그냥 설치하거나 훔치지 않고 돈을 벌기 위해 다른 사람들로부터 설치 그런 종류의 일이 몇 번이고 반복되고 있습니다 이것은 큰 문제를 만든다

그것은 그들이 우리의 직함을 즐기지 않을 것임을 의미합니다 우리가 돈을 쓰고 그들의 보유가 내려갈거야 문제는 광고 사기, 실제 보존없이 조금 더 높을 것입니다 그것은 우리가 더 큰 성공을 위해 돈을 써야한다는 것을 의미합니다 하지만 광고 사기로 인해 어떤 것을 결정할 수는 없습니다

오른쪽처럼 – 우리는 올바른 결정을 내릴 수 없습니다 그래서 우리는 광고 사기 탐지 시스템을 개발했습니다 그리고 나는 그것을 어떻게 발견하는지 설명 할 것입니다 첫째, 우리는 코호트를 만듭니다 그 다음 코호트 특정 변수를 만듭니다

그리고 우리는 모든 변수에 의해 정상 범위를 계산합니다 Google은 [부적절한] 광고 채널, 예를 들어 페이스 북과 같은 것입니다 Facebook은 광고 사기와 같은 것을 만들기가 정말로 어렵습니다 우리가 지금 수집하고있는 그러한 종류의 데이터와 신뢰할 수없는 [? 함정 ?] 이런 종류의 코호트는 조금 이상합니다

모두들 이것처럼 보입니다,하지만 여기, [미숙 한]이 것 우리는 일부 보고서를 마케팅 담당자에게 제공합니다 그리고 마케터 수표, 심층 다이브, 그리고 이것을 찾으십시오 [INAUDIBLE]와 같은 것입니다 네, 이것은 다이어그램입니다

재미있는 점은 이것도 매우 간단한 트릭입니다 우리에게서 돈을 얻기 위해서, 뭔가 [INAUDIBLE]을 클릭하십시오 그런 종류의 일은 여전히 ​​가능합니다 그냥 – 그래서 우리는 하나 더 개발 [? 전리품 ?] 다른 사람들과 비교해 보면, 또한 간단한 규칙을 확인하십시오

예를 들어, 같은 시간에 로그인하기 만하면, 같은 시간에 그냥 로그 아웃하면됩니다 같은 시간에 [INAUDIBLE] 해보십시오 간단한 클릭 봇 같은 종류의 간단한 규칙으로 찾을 수 있습니다 마지막은 게임 내 이상 탐지입니다 예? 모든 것이 있습니다

이것은 인간이 머리 글꼴에 누워 있습니다 재밌 네요 그러나 그것은 화가 났던 것의 표현입니다 어떤 버그, 또는 [INAUDIBLE] 중 일부 때문에 또는 일부 작동 오류 한국에서는, 사용자는 그것에 대해 화를냅니다

이런 종류의 기사처럼 [KOREAN] 그것은 거짓말을 의미합니다 그리고 그런 종류의 일은 우리에게는 매우 위험한 일입니다 왜냐하면 그것은 우리 타이틀에 나쁜 브랜딩을하기 때문입니다

그리고 나서, 이런 종류의 일을 막기 위해, 우리는 버그 또는 [INAUDIBLE] 최대한 빨리 그래서 우리는 규칙 기반 엔진을 개발했습니다 문제는 매달 새로운 콘텐츠를 제공한다는 것입니다 즉, 매달 새로운 규칙을 준비해야한다는 의미입니다 버그 또는 [INAUDIBLE]을 (를) 탐지합니다

그것은 너무 복잡하기 때문에 거의 불가능합니다 아무도이 시스템을 신경 쓰지 않습니다 그들은 단지 새로운 콘텐츠를 개발하는 데 주력하고자합니다 그들은 새로운 디자인 규칙을 만들고 싶지 않습니다 따라서 규칙 기반 엔진은 우리의 문제를 해결할 수 없습니다

그래서 우리는 LSTM AutoEncoder를 세우고 있습니다 이 문제를 해결하는 네트워크 그리고 뭐? 관객 : [INAUDIBLE] 그것이 가장 효과적 이었기 때문에 [부적절한] 순서에 따라 사용자 행동을 분석하기위한 그런 다음 [? onliner ?] 우리가 개발 한 이러한 복잡한 활동들 우리는 모든 종류의 디지털 서비스를 사용합니다

그리고 우리는 젠킨스를 사용하여 그것을 통제합니다 그리고 우리는 일종의 세그먼트 접근 방식을 사용합니다 [부적절한] EDA 그걸 어떻게 관리할까요? 비정상적으로 발견 된 결과를보고합니다 매 시간마다 조작부에

그리고 운전자의 사람들은 그 상황에서 게임을 확인합니다 그리고 나서 버그 같은 것이 있다면, 개발자에게보고합니다 개발자가이를 수정하면 우리는 [? 금지?] 매 시간마다 [INAUDIBLE] 버그 이것이 바로 우리의 현재 비전입니다 그래서 요약 – 나는 이것을 다시 시험하고 싶지 않습니다

그래 Netmarble은 기계를 활용 해 왔습니다 많은 사람들이 필요한 지역을 위해 하나씩 학습하기 작업하고 많은 시간을 필요로합니다 그리고 일부 문제는 큰 비즈니스 영향을 미칩니다 앞으로는 할 일이 많이 있지만 그래

Google Cloud 및 PSO와의 협력을 믿습니다 팀, 우리는 가능한 한 빨리 많은 문제를 해결할 수 있습니다 우리는 계속 그것을 시도 할 것입니다 나는 내년에 우리가 더 많은 통찰력을 제공 할 수 있다고 믿습니다 모두에게 그리고 그 때, 나는 뭔가를 고용 할 것이라고 생각한다

영어 말하기, 영어 원어민 나를 대신해서 나를 대신하여 연설을해야합니다 고마워 고맙습니다 [박수 갈채] 그리고 우리는 어떤 질의 응답도 준비하지 않습니다 하지만 어쨌든,이 세 남자 그 사람들이 똑같은 티셔츠를 입고 있습니다

실제 개발자입니다 나는 이런 종류의 결과를 내기 위해 그들을 밀고있다 그리고 그들은 그들이 어떤 종류의 제품을 만들 었는지 알 수 있습니다 즉, 모든 종류의 질문을 할 수 있습니다 예를 들어 왜 [? LTV,?] 그리고 만약 그렇다면 정말 도움이되는지 아닌지

그런 종류의 질문, 당신은 나를 위해서가 아니라 그들을 구할 수 있습니다 고마워 [음악 재생]

Leverage AI on the Cloud to Transform Your Business (Cloud Next ’18)

[음악 재생] 발리파파 레이크 만 : 안녕하세요 다음에 오신 것을 환영합니다

클라우드에서 인공 지능을 활용하는 방법에 대해 이야기 할 것입니다 그래서 당신은 당신의 사업을 변형시킬 수 있습니다 나는 Valliappa Lakshmanan입니다 모두가 나를 락이라고 부릅니다 그리고이 이야기는 수십 명의 고객과 수년에 걸쳐 이야기했다

기본적으로 매우 간단한 질문에 대답하는 측면에서 알았어, 나는 AI에 대한 과대 선전을 듣고있어 하지만 실제로 어디에서 사용합니까? 어떤 종류의 유스 케이스가 떠오르지? 그리고 일반적으로 이것에 대한 대답은, 너는 그들에게 빨래 목록을 보여 준다 그것을 사용한 많은 사람들 그리고 내가 여기서하려고 노력한 것은 그걸 조금 뒤로 물러서 라

원리들, 당신이 보는 것들의 종류들, 매우 넓은 지역 그리고 우리는 기본적으로 그것을 몇 가지 관점에서 볼 수 있습니다 한 가지 방법은 Google 제품에서 확인하십시오 그리고 이것들을 어떻게 보는지에 대해서도 이야기 할 것입니다 고객의 유스 케이스를 그래서 제가 AI에 대해 이야기 할 때, 그리고 우리 AI를들을 때, 당신은 아마 Google Photos와 같은 것을 생각할 것입니다

스마트 답장과 같은 것들을 생각해보십시오 이것들은 믿기지가 않을 정도로 매력적입니다 이미지 모델과 시퀀스 모델에 대해 듣게됩니다 당신이 기술자라면, 당신은 길쌈 신경 네트워크 (convolutional neural networks)와 반복적 인 신경 (neurural neural)에 대해 생각해보십시오 네트워크 및 LSTM 등이 있습니다

그러나 AI를 사용하는 방법에 대해 이야기 할 때, 나는 그 모든 버즈에 대해 잊어 버릴 것을 권합니다 궁극적으로, 대부분의 회사에서 가치를 창출하기 때문에 구조화 된 데이터에 대한 기계 학습, 데이터웨어 하우스에있는 데이터, 구글에서도 그리고 이것은 우리가 한 일입니다 왜냐하면 당신이 할 수 있기 때문에 할 수 있어요 전체 Google 코드베이스를 통과하십시오 모든 모델을보고 어떤 종류의 여백을 볼 수 있습니다 사람들이 사용하고 있습니다

MLP는 다중 레이어 퍼셉트론입니다 본질적으로 표준 신경망입니다 그 안에는 아무 것도 없으며 단지 몇 개의 레이어가 있습니다 그것은 Google의 모든 모델 중 60 %입니다 그리고 이것은 당신이 가지고있는 모델의 종류입니다

단순한 숫자 및 범주 형 데이터가있는 경우, 그냥 구조화 된 데이터 LSTM은 여러분이 시계열 데이터 또는 모델 종류가있는 경우 사용 텍스트 데이터가있는 경우에 사용하는 번역, 텍스트 요약 스마트 응답은 LSTM 모델의 예입니다 이는 Google의 전체 모델 중 30 %에 해당합니다 그래서 모든 매력적인 이미지 모델 우리가 듣는 내용, 모든 튜토리얼이 말한 내용, 모두가 말하려는 슬라이드를 꼈다

이것은 당신이 AI로 할 수있는 것입니다, 그것은 5 % 모델의 그래서 당신이 내가 말할 때 무엇에 집중합니까? 내 사업에서 인공 지능을 사용하고 싶습니까? 구조화 된 데이터 이것이 기억해야 할 첫 번째 사항입니다 그 값은 실제로 데이터에서 오는 것입니다 데이터웨어 하우스에있는 것입니다

그렇다면 우리는 어떻게 AI를 위해 구조화 된 데이터를 사용하고, 버즈에 대해 다시 말하면, 우리는 인공 지능에 대해 이야기하고 기계 학습에 관해 이야기합니다 그리고 기계 학습은 오늘날 작동하는 AI의 일부입니다 다시 우리가 뭘할지 이야기 할 때 기계 학습, 맞죠? 그렇다면 기계 학습을 어떻게 사용합니까? 기본적으로 표준 알고리즘을 사용하는 방법입니다 데이터로부터 예측 통찰력을 얻는 방법 반복적 인 결정을 내린다 그러니 그걸 좀 어기 죠

물론 첫 번째는 기계 학습만을위한 것입니다 데이터가있을 때 작동하며, 많은 경우 데이터가 많습니다 데이터가 있지만 기존의 일반적인 방법과는 다릅니다 데이터를 사용한다는 점, 여기의 차이점 데이터에 적용하는 알고리즘입니다 표준입니다

그래서 당신이 소매 회사이든, 또는 당신은 석유 가스 회사, 또는 미디어 회사, 데이터를 가져 오는 방법, 적용한 알고리즘은 상대적으로 표준입니다 그리고 그것은 기본적으로이 큰 사용을 이끌었습니다 이 응용 프로그램의 큰 성장 기계 학습 같은 종류의 모델이 산업 분야에서 일하고, 업종 전반에서 일할 수 있습니다 따라서 이러한 표준 알고리즘을 데이터에 적용합니다

하지만 그건 표준 알고리즘 자체입니다 새로운 것도 아니다 의사 결정 나무에 대해 이야기하거나 무작위적인 숲에 관해서, 그들은 잠시 동안 주변에 있었다 그리고 그것들은 제가 표준 알고리즘을 의미하는 것입니다 의사 결정 트리는 표준 알고리즘입니다

현재 귀하가 속한 업종에 관계없이 신청할 수 있습니다 그러나 중요한 점은 이러한 알고리즘을 데이터에 적용한다는 것입니다 예측 통찰력을 창출합니다 일반적으로 데이터를 볼 때 우리는 무엇을하고 있습니까? 우리는 역설적 인 통찰력을 창출하고 있습니다 우리는 당신의 데이터를보고 있는데, 무슨 일이 있었는지 말하고있는 것입니까? 당신은 무슨 일이 일어 났는지 이해하려고 노력하고 있습니다

기계 학습은 예측적인 일을하는 것입니다 일어난 일을 예측합니다 하지만 그렇지 않습니다 이 시점까지, 나는 모든 것을 설명 할 수 있었다 비즈니스 분석가는 모든 회사에서 그 일을 수행합니다

인간 분석가가하는 것의 큰 차이 그리고 기계가하는 일은이 마지막 비트입니다 그것은 반복 된 결정 비트입니다 아이디어는 당신이 기계를 적용하지 않는다는 것입니다 1 년에 한 번 결정을 내릴 필요가 있는지 배우십시오 한 달에 한 번 결정해야 할 경우, 그것은 ML 사용 사례가 아닙니다

ML 사용 사례는 귀하가 반복해서, 하루에 여러 번, 여러 번, 여러 번 반복하십시오 매번 당신이하는 일입니다 고객이 귀하를 방문합니다 당신이 결정하고 싶다면, 장바구니입니다 버려 질거야? 자, 그건 당신이 가진 결정입니다 귀하의 웹 페이지를 방문하는 모든 고객을 위해 만들어야합니다

당신이 결정을하려는 경우, 이 장소에 새 상점을 배치해야합니까? 그것은 1 년에 50 번 할 수있는 결정입니다 50 회 1 년 결정은 좋은 후보가 아닙니다 기계 학습용 하루 수천 수백만의 의사 결정, 그것은 기계 학습을위한 훌륭한 후보자입니다 그 사이 어딘가에 이것이 데이터 분석인지 판단하라

작업인지 또는 컴퓨터 학습 작업인지 여부를 결정합니다 그래서, 당신에게이 아이디어가 어디에서 오는지에 대한 예를 들어주기 위해, Google에서 시작하겠습니다 따라서 우리의 주력 어플리케이션은 물론 검색입니다 우리는 검색 회사입니다 몇 년 전에 검색이 사용되던 방식입니다

검색 창에 들어가서 자이언트 키워드를 입력하면 우리는 샌프란시스코 자이언트를 보여 주어야했습니다 야구 팀 또는 뉴욕 자이언츠입니다 축구 팀입니다 어느 것을 먼저 보여 드릴까요? 글쎄,이 일을하는 데 사용되는 방법은 수색의 장안에 깊은 규칙 기반이 있었다는 것 쿼리가 자이언트라면, 사용자가 베이 지역에있는 경우, 그들에게 샌프란시스코 자이언츠의 결과를 보여주십시오 사용자가 뉴욕에있는 경우 표시합니다

뉴욕 자이언츠의 결과 그리고 사용자 또는 다른 곳에서 그것들은 키가 큰 사람들에 관한 결과입니다 그리고 그것은 기본적으로 한 단어의 거인에 대한 규칙 기반입니다 코드베이스가 얼마나 복잡한 지 상상해보십시오 여러 의미를 가질 수있는 모든 것을 얻습니다

그래서 그것은 본질적으로 문제입니다 당신의 분야가 직면하고 있다고 이것을 위해 손으로 코딩 된 규칙을 쓰고있다 이 쿼리 문구 중 그리고 기계 학습은 우리가 말하기 때문에옵니다 이것은 우리가 반복해서해야만하는 결정입니다 우리는 많은 시간을 할애해야합니다

그러면 우리는 이것을 어떻게 확장하여 우리가 누군가를 기본적으로 만들 필요는 없다 가능한 모든 단일 쿼리에 대한이 규칙 존재할 수있는 용어? 그리고 그것은 기본적으로 RankBrain을 자극 한 것입니다 본질적으로 시작된 기계 학습 알고리즘이다 이 전제에서, 어이, 누군가가 우리의 웹에 올 때 페이지로 이동하고 쿼리를 수행하면 가능한 결과의 목록, 우리는 그들 중 어느 것이 실제로 클릭했다 이제 기계 학습 모델을 교육 할 수 있습니다

기본적으로 최선의 결과가 무엇인지 예측한다 특정 검색어에 대한 것입니다 그리고 우리는 이것에 대한 충분한 예를 가지고 있습니다 우리는 달리기와 별도의 규칙을 만들 필요가 없습니다 모든 검색어에 대해 우리는 기본적으로 기계 학습 모델을 가지고 있습니다

검색은 순전히 기계 학습이 아닙니다 우리가 사용하는 많은, 많은, 많은 신호가 있습니다 그러나 기계 학습 신호가 밝혀졌다 기본적으로 개선의 종류를 창조하기 위해 우리는 2 년 동안의 일을 보았습니다 그리고 그것은 훌륭했습니다

그리고 그것은 기본적으로 구글이 앉아있는 것을 촉발 시켰습니다 이 기계를 배우는 사람은 다리가 있습니다 그래서 그것은 본질적으로 무엇을 말합니까? 여기 또 다른 예가 있습니다 이것은 우리 고객의 것입니다 그래서 롤스 로이스는 기본적으로 롤스 로이스라고합니다

그리고 당신은 차를 생각한다 그러나 롤스 로이스도 운송을한다 그리고 그들은 해양 데이터 세트를 기본적으로 해석 할 필요가있었습니다 그리고 다시, 그들이 이것을 할 방법은 기본적으로 거대한 데이터 세트였습니다 그들은 많은 규칙이 필요했습니다

그리고 그 규칙은 손으로 만들어야했습니다 그리고 그들은 기본적으로 안전 조치를 간단하게 만들 수있었습니다 기본적으로 손으로이 규칙을 만드는 대신에, 기본적으로 해양 데이터 세트를 가져 와서 어떤 종류의 행동을 유추하고 기계 학습을 통해 얻어야한다 그래서 기본적인 생각, 여기에있는 첫 번째 전제, 어디에서 – 인공 지능은 어떻게 사용합니까? 귀하의 비즈니스를 활용하기 위해 기계 학습을 어떻게 사용합니까? 1 번, 당신의 사업을 돌아보십시오 규칙을 만드는 모든 문제에 대해 생각해보십시오

오늘, 당신이 오늘 규칙을 만드는 어떤 문제 그리고 너는 좋은 일을 해왔다 규칙 기반 결정을 내릴 때마다 기본적으로 데이터 세트가 있습니다 이것은 내가 기본적으로 사용하는 정보입니다 의사 결정 트리에 들어간 정보 규칙과 결과를 수행합니다

실제로 맞았는가? 일련의 규칙을 사용하여 사기를 확인한 경우, 이 거래가 실제로 사기성 이었습니까, 그렇지 않습니까? 그래서 그것이 당신의 라벨입니다 그리고이 규칙 기반, 데이터 기반 일정 기간 동안의 결정, 데이터를 학습하는 기계가됩니다 그리고 당신은 기본적으로 수공예 사업에서 벗어날 수 있습니다 규칙을 학습하고 기본적으로 기계 학습으로 넘깁니다 모델, 기본적으로 무엇을 추측 할 수 있는가? 규칙이 있어야하며,보다 전체 론적 인 방식으로이를 수행해야합니다

첫 번째로, 어떻게 당신은 기본적으로 클라우드에서 인공 지능을 활용 하시겠습니까? 모든 규칙 기반 시스템을 살펴보십시오 모든 규칙 기반 시스템을 살펴보십시오 모든 시스템, 특히 당신은 결과를 수집하고 있습니다 의사 결정을위한 결과를 수집하지 않은 경우 당신이 만들고있어, 시작해, 그 결정이 실제로 효과가 있었는지 여부를 저장하기 시작하십시오 그렇지 않았다

그리고 기본적으로 이들을 기계 학습의 입력으로 사용하십시오 모델 그래서 이것이 1 위입니다 이제 두 번째 유스 케이스를 살펴 보겠습니다 이 경우 Google지도를 사용하여 설명 할 것입니다

기계 학습 여행, 회사의 여행 기본적으로 – 기계 학습 변환을 거친다 그래서 나는 항상 Google지도를 사용합니다 그리고 저는 그 다이어그램의 남쪽 어딘가에 살고 있습니다 그리고 저는 다이어그램의 북쪽에있는 Google 커클랜드에서 일합니다 그리고 매일

나는지도를보고,지도는 나에게 경로를 준다 집에서 일하기 그래서 큰 그리고 나는 그것을 볼 수 있습니다 그러나 그 기계 학습은? 그리고 당신은 말할 수 있습니다

글쎄, 나는 내가 사는 곳에서 구글에게 말했다 나는 내가 일하는 곳에서 구글에게 말했다 그리고 이것은 기본적으로 경로입니다 그리고 A에서 B로 가면 Dijkstra의 알고리즘입니다 이것은 별의 알고리즘입니다

우리는 학부 컴퓨터 과학 수업에서 그것을 가르칩니다 이것은 결정 론적 알고리즘입니다 따라서 기계 학습이 아닙니다 A에서 B로가는 것은 기계 학습이 아닙니다 그래서, 그것은 본질적으로 결정론적인 규칙입니다

종이에 적어서 할 수있는 규칙입니다 이건 어때? 그래서 저는 일본에있었습니다 그리고 저는 롯폰기라는 지하철역에있었습니다 그리고 Google Maps는 본질적으로 나에게 말했다 네가 롯폰기 역 2 층에 있다는 것을

기본적으로 Google Japan으로 이동하려면 이것은 당신이 가져야 만하는 길입니다 Google지도는 내가 2 층에 있다는 것을 어떻게 알 수 있습니까? 지하철역에요? GPS- 내 말은 지하에있다 나는 그것에서 고도를 얻지 않을 것이다 그래서 그 시점에서 내가 어디에 있는지 알 수있는 유일한 방법입니다 기본적으로 다른 데이터 소스를 사용하는 것입니다

그러나 요점은 그 단계에 도달하는 것입니다 당신이 지금 어떻게 생각하고 있는지 사용자 위치를 파악합니까? 다양한 데이터 소스에서 문제 번호 1을 해결해야합니다 A에서 B로가는 법입니다 이것이 귀하의 비즈니스의 핵심입니다 기본적으로 A에서 B까지 탐색 정보를 제공합니다

근본적으로 말하면, 좋아, 이제 어떻게 데이터를 사용합니까, 어떻게 ML 모델을 기본적으로 사용합니까? 그 경험을 향상 시키시겠습니까? 그리고 이것이 바로 두번째 비트입니다 핵심 비즈니스 경험을 향상시키는 것입니다 너는 1 번으로 그렇게한다 그리고 케이크에 장식을합니다 이것이 내가있는 곳인 Google Now 카드를보고 있습니다

회의 사이에 무엇을 할 수 있습니까? 그리고 나는 나에게 가야한다고 제안 할 수 있었다 그림의 종류를 가진 산토르 미술관 (Santore Museum of Art)에서 내가 좋아하는 것 자, 만약 당신이 스포츠 팬이라면 아마도 가까이에 스모 레슬링 매치를 제안했다 그러나 이것이 이제 완전히 개인화 된 것입니다 그리고 여전히 같은 위치에 있습니다

위치 기반 서비스를 제공하고 그 추가 정보 이것은 기본적으로 기업이 통과하는 여정입니다 기계 학습 사업의 핵심부터 시작하십시오 당신은 일반적으로 해결하고 이미 해결했습니다

기본 주소를 찾는 방법을 살펴 보겠습니다 그 경험의 개별 유스 케이스, 더 나은 방법으로 사용자 경험을 그리고 마지막으로, 어떻게하면 기본적으로 그 아주 드문 경우의 매우 긴 꼬리에 도달하십시오 우리가 아주 잘해야 할 일이 뭐야? 그래서 다른 예를 들어 보겠습니다 이것은이 여행에 대해 다시 이야기 할 경우에 해당됩니다 이것이 어떻게 작동하는지에 대한 아이디어를 제공합니다

우리가 기본적으로 원한다고 가정 해 봅시다 우리는 미디어 회사입니다 TV 프로그램에 가장 적합한 시간대를 찾으십시오 그럼 우리가 어떻게해야합니까? 우리는 기본적으로 다음과 같은 데이터를 가지고 있습니다 좋아, 여기에 나이와 숫자가있어

특정 연령의 시청자 기본적으로이 쇼와 같이 전에 본 쇼를 본 그룹 그리고 나는 가지고있는 사람들의 위치 정보를 가지고있다 과거에이 쇼를 보았습니다 그리고 위치 정보에 기초하여, 바람직 함을 바탕으로 인구 통계를 기반으로 그 인구학의 안에서, 나는 근본적으로 말할 것이다, 좋아, 우리는이 새로운 쇼를 가져갈거야 수요일 오후 7시 30 분처럼 보입니다

이 쇼에 가장 적합한 시간대입니다 이것은 본질적으로 기존의 데이터 분석입니다 아직 여기에서 학습하는 기계가 없습니다 그러나 이렇게하기 위해 수집 한 데이터는 무엇입니까? 기본적으로 많은 데이터를 수집했습니다 쇼를 보는 사람들의 인구 통계 주위에

기본적으로 각기 다른 쇼의 장르를 발견했습니다 이 위치에있는 모든 사람들의 위치를 ​​알 수 있습니다 이 쇼들을보고있다 이제이 모든 정보가 주어지면, 우리는 그 일의 두 번째 단계 인 다음 일을 할 수 있습니까? 여행의 두 번째 단계는 무엇입니까? 영화 추천 시스템을 구축합시다 우리는 말할 수 있습니다

좋습니다 영화 추천 시스템을 구축합시다 그리고 첫 번째 접근법, 간단한 접근법 이 같은 것입니다 인기있는 영화를 추천 할 것입니다 이 사용자가 좋아하는 장르에서 30 세에서 39 세 사이의 사용자가있는 경우, 그는 남성이고, $ 50,000와 $ 100,000 사이를 만들고, 한국에 살고 있고, 시간이 지남에 따라 이 사람이 로맨틱 컴 – 로맨스, 두 코미디, 로맨스, 코미디, 내 예측 알고리즘 아마 내가 장르를 찾도록 내버려둬 라

사용자가 가장 자주 본 것은 – 이 경우 코미디예요 그들이 어디에서 살고 있는지 찾아야 해 한국은 – 한국에서 가장 인기있는 코미디 영화 5 편을 찾아보십시오 그리고 그것은 그 사용자를위한 나의 영화 추천입니다 아주 간단하고 규칙 기반 알고리즘입니다 기본적으로 데이터를 이용합니다

그러나 그것은 이미 가지고있는 데이터에 의존합니다 사물의 역사에서 벗어난 구조화 된 데이터 어떤 사람이 본 것과 당신이 아는 어떤 것 이 특정 사용자에 대해 이것이 어떻게 기계 학습이됩니까? 너는 이것을 뒤집는다 모델이 있고, 데이터가 있으며, 나는 예측을 가지고있다 대신 데이터에서 시작합니다

너 내가이 아이디어에서 시작하지 않는다 모델이 무엇이어야하는지 알기 때문에 나는 그 데이터를 보러 갈 때, 나는 내 예측을 할 것입니다 대신 데이터에서 시작합니다 내 데이터가 뭐니? 나는 모든 영화를 가지고 있고, 나는 모든 등급을 가지고있다 모든 사용자가 모든 영화를 다 끝냈습니다

그리고 나서 당신의 모델은, 만약에 내가 가면 계속 나아가고 예측을하기 위해서, 나는 모든 비슷한 영화를 찾기 위해 유사한 사용자가 사용자의 현재 선호도, 나이, 그리고 다양한 것들이 있습니다 그러나 여기에 주목해라 장르, 나이, 소득, 장르 등은 더 이상 존재하지 않습니다 이것은 훨씬 더 비정형이다 기본적으로 사람들은 그렇지 않다는 것을 고려할 수 있습니다

당신은 그들을 구부릴 수 없습니다 대신, 그것은 매우 연속적인 범위입니다 그리고 당신은 유사성 측정을 찾고 있습니다 그리고 그것은 기본적으로 기계 학습이 당신을 돕는 것입니다 기본적으로 여러 요소를 고려하는 데 도움이됩니다

그들을 적절하게 무게를 단다 그래서 이것은 본질적으로 그 여행입니다 너는 숲에서 빠져 나간다 기본적으로 핵심 문제를 해결하고 데이터로 해결하며, 그 데이터를 가져 오는 방법을 생각하고있다 분석으로 해결 한 다음 해당 데이터를 사용합니다

그리고 당신이 그렇게 할 필요가없는 방식으로 다시 생각해보십시오 당신은 기본적으로 다른 요소들을 설명 할 수 있습니다 그래서 다른 말로하면, 두 번째 것은 기계 학습으로 할 수있는 일, 기계의 비즈니스를 활용하는 두 번째 방법 학습, 이것이 당신이 개인화하는 방법입니다 귀하의 응용 프로그램, 그리고 이것은 당신이 기본적으로 어떻게 30 세에서 39 세 사이의 사람들과는 다른 사람들에게 다가 서십시오 한국에 사는 사람

소규모 그룹을 찾을 수 있습니다 그들이 맘에 든다고 목표를 세우고 권장 사항 그래서 기계 학습은 기본적으로 – 나는 대부분 우리가 우리가 사업은 우리가 기본적으로 말하는 것입니다 우리는 배포판의 중간 부분을 차지할 것입니다 우리는 모든 것을 목표로 삼을 것입니다

사용자의 80 %를 향해 우리는 다른 20 %를 잊을 것입니다 미친 짓을해라 하지만 대신, 어떤 기계 학습 당신은 당신이 기본적으로 내려갈 수 있다는 것입니다 그 꼬리로, 그리고 기본적으로 모든 사용자가 찾을 유사한 사용자를 추천 할 수 있습니다 그래서 세 번째로 나가기 위해서 내가 제일 좋아하는 따옴표로 시작하는 것은 Andrew Ng입니다

Andrew Ng는 물론 유명한 기계입니다 학습 연구원 그리고 당신은 그가 최신 진보에 대해 모두 불 태워 줄 사람이 되십시오 기계 학습 이론에서 그러나 Andrew는 "최상의 알고리즘이 아닙니다

그것은 누가 가장 많은 데이터를 가지고 있는지에 관한 것입니다 " 그게 우리가 반복해서 배웠다 그 최고의 기계 학습 알고리즘 다른 것보다 더 많은 데이터에 액세스 할 수 있습니다 두 개의 알고리즘을 비교할 때, 모두가 당신에게 말하는 것을 잊어 버려라 본질적으로 똑같은 일을하는 두 가지 제품이 있다면, 훈련받은 데이터가 무엇인지 물어보십시오

이미지 모델이 두 개인 경우, 어떤 데이터가 훈련 되었습니까? 그리고 한 모델이 더 많은 데이터와 더 나은 데이터에 대해 교육을 받았다면 다른 하나보다 알고리즘의 품질은 중요하지 않습니다 그 데이터는 기본적으로 품질을 제어하려고합니다 당신이 얻는 결과 중 그래서 필연적으로 그것은 데이터, 데이터의 품질, 및 데이터의 양 그래서, 그게 길과 관련이 있습니다

우리는 우리의 데이터 책임 의식에 접근합니다 데이터 관리로 시작합니다 어떻게 데이터를 수집하는지 다시 생각해 보면 – 그리고 이것은 지금 내가 지금 알아 차리고있는 것입니다 우리가하는 일은 우리가 우리의 데이터를 우리는 그것을 집계하고 그것을 저장합니다, 우리는 알고리즘, 기계 학습을 구축하려고합니다 알고리즘 및 데이터 분석 작업을 수행합니다

그게 무슨 뜻 이니? 기계 학습을하는 대신 모든 개별 거래에서 집계하여 매출 예측 하루 동안의 모든 거래와 일일 데이터 수집 판매를 예측하는 데 사용하십시오 방금 무슨 짓을 한거니? 이 매우 풍부한 데이터 소스를 사용했습니다 모든 개별 거래에 대해 이제까지 일어났다, 당신은 그것을 전부 멀리 던져 버렸다, 당신은 모든 것을 결합했습니다 그리고 이제 기본적으로 365 점의 데이터 세트가 있습니다 그리고 그것을 사용하여 판매를 예측하려고합니다

중지 365 점에 모델을 훈련시키지 마십시오 원본 데이터로 돌아가서 8000 만 건의 거래가있었습니다 필터링 된 데이터가 아니라 모델을 교육해야합니다 집계 된 데이터에 있지만 원시 데이터에는 원래 데이터에

그래서 기계 학습은 많은 것을하는 것에 관한 것입니다 가능한 한 데이터 너무 일찍 집계하지 마십시오 너무 일찍 필터링하지 마십시오 너무 일찍 데이터를 버리지 마십시오

그렇다고해서 물건을 정리해서는 안된다는 의미는 아닙니다 당신은 그들이 양질인지 확인해야합니다 우리는 요점을 이해하려고 노력 중이다 데이터를 버릴 필요가없는 곳, 이 데이터를 집계하여 각 개별 거래 데이터에있는 소음 더 나은 정보를 얻기 위해 필요한 올바른 정보 기계 학습 모델 그러나 당신이 가진 데이터에 관한 것이 아닙니다

또한 모든 부수적 인 것들에 대해 생각해보십시오 귀하의 비즈니스에 영향을 미칩니다 따라서 데이터에 관한 것이 아닙니다 데이터웨어 하우스에 날씨 데이터에 대해 생각하고, 교통 데이터에 대해 생각하고, 정치적 사건에 대해 생각하십시오 귀하의 비즈니스에 영향을 미치는 모든 것들, 그래서 기본적으로 데이터 세트에 참여하는 방법에 대해 생각하지만 모두 이 다른 다양한 요인들

그리고 그것은 여러분이 귀하의 기계 학습 모델을 구축하는 데 사용해야합니다, AI 시스템을 구축하십시오 그런 다음 이제 데이터웨어 하우스를 가져 와서, 모든 제 3 자 및 파트너 정보를 고려함 당신이 참여할 수있는, 자신에게 세 번째 질문을하십시오 오늘 수집하지 않는 데이터를 수집 할 수 있습니까? 센서가 정말로 저렴 해지고 있습니다 80 억 달러 상당의 장치가 있습니다 작년에 온라인에 올랐습니다

그것은 단지 놀라운 숫자입니다 그리고 이것은 방금 연결된 장치입니다 나는 그 장치에 대해 말하는 것이 아닙니다 영구적으로 연결되어 있지 않습니다 이들은 단지 연결된 장치입니다

그리고 그들은 데이터가있는 지점까지갑니다 유비쿼터스, 그리고 당신은 그것을 얻을 수 있습니다 문제는 데이터를 수집하고 있습니까? 실제로 비즈니스에 영향을 미칩니 까? 따라서 데이터 전략이 가능한 많은 출처에서이 데이터를 수집해야합니다 당신이 할 수있는 것처럼, 그들의 전화기, 또는 그들의 IoT 장치, 또는 무엇이든 그런 다음 기본적으로 취하는 방법에 대해 생각해보십시오

네가 지금 가지고있는 그 거대한 데이터 – 큰 데이터로 여기서 내가 의미하는 것은 데이터의 양, 집계되지 않은, 필터링되지 않은, 원시 데이터는 다른 모든 것과 결합됩니다 들어오는 스트리밍 데이터에 영향을줍니다 예전에는 3 개의 V가 다른 말로하면 – 볼륨, 다양성 및 속도 이것이 기본적으로 제가 여기서 말하는 의미입니다 그리고 그것은 실제로

당신이 그렇게 생각할 때, 그리고 당신은 신중하게 영향을 미치는 이러한 모든 것들을 고려해야합니다 그것은 변화하는 비즈니스입니다 첫 번째 게임을 가져 가세요

10 년 전, 게임은 보드 게임이었습니다 이제 게임은 기본적으로 완전히 사용자 정의되었습니다 그것을 연주하는 사람에게 당신이 만나는 문자들 당신이 게임을 할 때 매우 다르다 캐릭터와는 다른 기술을 가지고있다

다른 누군가가 만나는 곳 그게 가능한 유일한 이유입니다 게임 회사의 데이터 양 때문입니다 수집 할 수있는 방법과 사용자 정의 방법 당신이 게임을 할 때 게임 그리고 당신이 걸어 내려 갈 때 이것을 반복해서 본다

완전히 변화하는 기업 목록 그들이 수집하고있는 데이터를 재고함으로써 그리고 그들이 데이터로 무엇을 할 수 있는지 그래서 다른 하나의 예로서 Schlumberger, JCP의 고객 중 하나 인 Cloud IoT Core가 어떻게 엔지니어링에 집중할 수 있었는지 기본적으로 신뢰할 수있는 경제적 인 것들을 건설하려는 노력 그들은 약 30 테라 바이트의 석유 화학 데이터에 대해 이야기하고 있습니다 이제 그들은 모델을 구축하는 데 사용할 수 있습니다 그래서 그것은 기본적으로 당신이 생각해야하는 규모입니다

그래서 내가 바라는 세 번째 측면은 시스템을 설계 할 때, 내년에 너를 기대하고 디자인해라 더 많은 데이터가 있습니다 이 패배 주의자의 생각으로 시작하지 마라 가지고있는 데이터는 모든 데이터입니다 오늘 네가 가지고있는 내년에는 더 많은 데이터를 얻을 수 있습니다

기본적으로 더 많은 것을 얻으려고 노력하고 싶습니다 데이터,보다 다양한 데이터 및 모델 구축 저것을 설명하기 위하여 이것이 세 번째 측면입니다 더 많은 데이터를 디자인하고, 필터링되지 않고 수집되지 않은 데이터의 경우 방금 이야기하는 또 다른 아이디어를 얻으려면 장치의 종류와 존재에 대해 그들을 연결할 수 있고 기본적으로 몇 년 전에 존재하지 않았던 새로운 비즈니스를 창출하십시오 많은 사람들이 Philips Hue, 기본적으로 우리는 조명이 작동하는 방식을 바꿀 수 있습니다

그리고 이제 Phillips는 기본적으로 프로세스를 진행합니다 하루 2 천 5 백만 건의 원격 조명 명령, 무언가– 3 년 전에 존재하지 않았던 것 그리고 그것은 단지 모든 것 때문에 가능합니다 함께 연결되어있는 이러한 추세 중 – 데이터, 연결된 장치, 기본적으로 훈련 할 수있는 능력 귀하의 모델과 기본적으로 비정형 데이터 처리 조명 명령과 비슷합니다 하지만이 모든 것이 훌륭하지만 수집 할 때 어떤 일이 발생합니까? 페타 바이트 및 엑사 바이트의 데이터? 당신이 모든 시간을 보내고 있다면 프로비저닝, 안정성에 대한 걱정, 성장하는 규모를 다루는 것을 걱정하고, 활용에 대해 걱정한다면, 당신은이 데이터로부터 가치를 도출하지 않을 것입니다

당신은 당신의 머리 수 전부를 모두 쓰고있을 것입니다 귀하의 인적 자원을 모든 엔지니어는 기본적으로 이 데이터를 유지하는 일 그리고 그것은 당신이하고 싶은 것이 아닙니다 당신은 기본적으로 데이터를 도출하기를 원합니다 그것으로부터 가치를 끌어 낸다

당신은 데이터를 이해하고 싶습니다 그리고 이것은 기본적으로 Google의 경험이 많다 그리고 이것은 우리가 이야기 한 이유 중의 하나입니다 우리는 기본적으로 serverless 데이터 분석을 구축했습니다 서버리스 ETL 툴, 서버리스 머신 학습 툴

그 이유는 우리가 데이터 플랫폼을 볼 때, 모든 것이 서버리스입니다 모든 것이 완벽하게 관리되는 서비스입니다 두 가지를 할 수있는 방법이 없기 때문입니다 두 엔지니어가 모두 걱정할 방법이 없습니다 약 필요할 때 데이터가 도착할 것입니다

수집 할 수 있고 기본적으로 그 데이터로부터 가치를 이끌어 낼 수있는 모델을 만들 수 있습니다 그래서 우리가 시작했다고 생각하지만 MapReduce에 대해 이야기하고 이것들과 동등한 2004 년에 우리는 클러스터 중심 방식으로 사고의 규모가 확대되지 않았습니다 그리고 우리는 기본적으로 Apache Beam의 오픈 소스 인 Dataflow와 같이, 기본적으로 당신이 serverless를하고 싶다는이 아이디어를 다루기 위해서 ETL, serverless 추출로드 변환, 빌드 파이프 라인 따라서 서버리스를 순전히 것으로 생각하지 마십시오 낮은 수준의 기능을 둘러싼 다

Serverless는 전체 워크 플로우에 관한 것이어야합니다 전체 워크 플로우는 서버가 필요합니다 그리고 그것은 당신이 기본적으로하는 방식입니다 페타 바이트 및 엑사 바이트의 데이터를 관리합니다 BigQuery를 사용했다면 정확히 우리가 그것에 대해 어떻게 생각하는지

당신은 당신이 SQL 코드를 작성한다고 생각합니다 그리고 당신은 수천 명에 대해 걱정하지 않아도됩니다 기본적으로 실행되는 슬롯 수 당신을위한 그 질문들 그것이 당신이 생각해야하는 방법입니다 인프라가 아닌 코드 측면에서 생각해야합니다

그래서 이것은 – BigQuery는 사람들이 즉시 사용할 수있는 기능 중 하나입니다 그들이 그것을 볼 때 얻으십시오 그리고 그것은 많은 변형을 일으 킵니다 많은 고객이 있습니다 에어 아시아는 예를 들어, 기본적으로 확장 할 수있는 플랫폼이 필요하다

데이터의 놀랄만 한 성장에 대한 우리의 식욕을 가지십시오 그들이보고있는 것 BigQuery는 이러한 작업에 이상적이었습니다 따라서 데이터 양이 증가 할 때, 당신은 그것으로부터 가치를 이끌어 낼 필요가 있습니다 완벽하게 관리되는 서버리스 솔루션에 대해 생각해보십시오

너와 관련된 일에 정착하지 마라 클러스터를 회전시켜야합니다 그래서 아이디어는 당신이해야 할 일에 시간을 할애하는 것입니다 그것을하는 방법에 시간을 투자하지 마십시오 따라서 인프라가 아니라 통찰력에 초점을 맞 춥니 다

그래서 이것의 또 다른 예가 Blue Apron입니다 BigQuery로 이동 한 후 또는 쿼리 시간 기하 급수적으로 감소했다 그래서 그들은 훨씬 더 많은 질의를 할 수 있었고, 의사 결정을 가속화하십시오 여분의 날은 매우, 매우, 매우 귀중합니다 그리고 나서, 우리가 얻는 다른 질문은 물론입니다

하지만, 나는 많은 양의 데이터를 가지고있다 이 모든 것을 스스로 관리하는 것을 정말로 멈출 수 있습니까? 그리고 내가 좋아하는 일화는 Evernote이다 이것은 우리의 전문 서비스에 의해 수행되기 때문에 팀, 3 개 및 1/2 페타 바이트 콘텐츠 마이그레이션 70 일 만에 그리고 이것들은 모두 아주 작은 문서들입니다 수백만 명의 사용자가 소유하고 있습니다 그리고 우리는 그것을 할 수 있습니다

그래서 확실히 가능합니다 빨리 움직일 수 있습니다 그리고 당신은 기본적으로 이걸 벗어날 수 있습니다 자체 인프라 사업 관리 그래서 4a, 당신에게 인프라에 대해 잊어 버려라

4a가 있다면 4b가 있어야합니다 그리고 그것은 무엇입니까? 그래서 이것은 데이터 부분에 관한 것입니다 그러나 다른 클라우드 플랫폼 AI에서 성공하기를 원한다면 당신에게 줄 수 있어야합니다 그리고 유연성이 필요합니다 기본적으로 기계를 작동 할 수있는 능력이 있어야합니다

다양한 시나리오에 대한 학습 런타임 예를 들어 Google 클라우드에서 Cloud Datalab 또는 Deep Learning Image로 프로토 타입을 만들 수 있습니다 작은 노트북에서 로컬로이 프로토 타입을 수행 할 수 있습니다 Kubeflow로 온 – 프레미엄으로 실행하십시오 시간이 지남에 따라 ML 엔진으로 마이그레이션하십시오

따라서 다양한 시나리오에 맞게이 기능을 사용할 수 있습니다 예를 들어, 필드에 장치가있을 경우, 그 장치에서 모델을 실행할 수 있기를 원한다면, 당신은 당신의 모델이 당신이 구름 위에서 훈련 할 수있는 그런 휴대용, 그러나 현장에서 장치에 대한 예상을 수행하십시오 따라서 어떤 시스템이든 기본적으로 컴퓨터 학습을 실행합니다 런타임에, 이것은 모든 다른 시나리오를 지원합니다 클라우드 교육, 장치에 대한 예측, 장치에 훈련, 등등

실현해야 할 또 다른 일은 깊은 학습 만 데이터 세트가 크기 때문에 작동합니다 그래서 왼쪽 그래프는 기본적으로 교육 데이터 크기에 대해 이야기합니다 이것은 특정 문제에 대한 것입니다 그러나 다른 문제들, 당신은 똑같은 것을 봅니다 그래서 그것을 볼 수없는 등 뒤에서 당신을 위해, x 축은 2 부분 20, 2 부분 21, 2 부분 22 등을 갖는다

따라서 각 그리드는 데이터 크기가 두 배가됩니다 그리고 데이터 크기가 두 배가 될 때마다 오류율 선형 적으로 떨어진다 따라서 오류를 삭제하십시오 x로 비율, 기본적으로 – 귀하의 데이터를 기본적으로 설정 x의 힘을 가져야 만합니다 데이터 세트가 실수로 두 배로 선형 향상됩니다

율 그래서 그것은 단지 작동합니다 – 오류가 발생하면 더 많은 데이터가 발생합니다 그러나 더 많은 데이터에 대해 이야기 할 때, 우리는 10 % 더 많은 데이터를 말하는 것이 아닙니다 20 % 더 많은 데이터를 말하지 않습니다 우리는 1,000 배 더 많은 데이터를 말하고 있습니다

데이터 우리는 여기에 힘을 말하고 있습니다 훨씬 더 많은 데이터가 있습니다 이것이 우리가 기억하고 싶은 한 가지입니다 왼쪽에

오른쪽은 곡선의 다른 무서운 부분이고, 이것은 기계 학습 모델입니다 최첨단 기계 학습 모델 그리고 x 축에는 올해가 있습니다 y 축은 필요한 계산 기능입니다 하루 당 페타 플롭스

그래서 왼쪽 편에있는 AlexNet은 근본적으로 깊은 학습을 시작한 것입니다 혁명은 구석에있어 그리고 다시 y 축은 대수입니다 그래서 모델이 그 격자에서 올라갈 때마다, 계산 능력은 10 배, 100 배, 1,000 배가됩니다 지금은 컴퓨팅 성능을 살펴보십시오

지난 6 년간 10,000에서 맨 위 y 축에 00001 하단에 있습니다 즉, 수행해야 할 컴퓨팅 성능 최첨단 기계 학습이 1 천만 개 이상 증가했습니다 지난 6 년 동안 그저 잠시 동안 기다리십시오 필요한 데이터의 양은 두 배로, 네 배로, 4 배

그것은 권력에 들어갑니다 데이터 요구 사항은 강력합니다 모델 요구 사항은 강력합니다 그래서 기본적으로 두 가지 힘 법칙이 있습니다 그리고 이것은 왜 당신의 전통적인 칩, 건축, 무어의 법칙, 그들은 더 이상 일하지 않습니다

즉, 이것은 우리의 지도력이 보았던 것입니다 3 ~ 4 년 전에 개발을 시작하게되었습니다 TPUs, 기본적으로 완전히 바꿀 필요가있다 어떤 종류의 데이터를 다루어야하는지에 대한 게임 어떤 종류의 컴퓨터가 필요한지 알아야합니다 그래서, 기계를 수입하기를 원한다면, 효율적이고 비용 효율적인 장소가 필요합니다

기계 학습을 할 수 있습니다 따라서 우리가 제공 할 때 우리는 Compute Engine을 제공합니다 기본적으로 CPU, GPU 또는 TPU를 첨부 할 수 있지만, 이 하이브리드 환경을 제공하는 Kubeflow는, 그리고 Kubernetes 엔진, 당신에게 좋은 장소를 제공합니다 Google Cloud 및 Cloud ML 엔진에서 실행하려면 완벽하게 관리되는 서버리스를 제공합니다 그들은이 모든 하드웨어를 사용합니다 기본적으로 분산 방식으로이 작업을 수행합니다

따라서 증가하는 데이터 양을 처리하는 방법 분포입니다 그리고 점점 더 많은 양의 컴퓨팅을 처리하는 방법 더 나은 하드웨어 칩입니다 따라서 분산 된 하드웨어 칩이 필요합니다 그리고 그것은 기본적으로 ML 엔진과 같은 것입니다 당신을 준다

그것은 당신에게 배포판을 제공하고, 그것은 당신에게 최고의 품종의 칩 할 일이 둘 다 필요합니다 기계 학습에 성공했습니다 그리고 실현해야 할 다른 것은 그 기계 학습은 ML의 증가하는 수준으로 움직이고있다 추출

미안, 너 못 봤어 나는 그것이 본 것 같아요, 그래서 당신은 이미 보았습니다 3 년 전의 일부터 시작하겠습니다 AUCNET은 일본의 경매 회사입니다 그리고 그들은 기본적으로 – 길을 원했습니다

그들은 자동차 경매가 작동하는 방식을 재고하고자합니다 그것이 일하는 방식은 당신이 차를 팔고 싶다는 것이 었습니다 너는 기본적으로 채울거야 어떤 차가 있었는지, 얼마나 오래되었는지, 등등, 등등 양식 채우기 – 지루한

그래서 AUCNET이 한 것은 그들이 말했습니다 오, 그냥 돌아 다니십시오 너의 차, 너의 차 사진들, 사진을 우리의 구름에 업로드하고, 우리는 당신의 차가 얼마나 가치가 있는지 말해 줄 것입니다 양식을 채우는 것 사이의 마찰을 상상해보십시오 차 사진을 찍어 라

비즈니스를 완전히 변경했습니다 하지만 그렇게하기 위해서 그들은 자동차 가격을 책정 할 수있는 맞춤형 이미지 모델을 만들 수 있습니다 그들은 그것을해야만했다 그들은 스스로 텐서 흐름 코드를 작성해야했습니다 우리는 그들이 그것을 도왔습니다

그들은 그것을 썼다 그것은 효과가 있었다 그들은 사업을 바꿨습니다 큰 그러나 나는 추상화 수준을 높이는 것에 대해 이야기하고 있습니다

그래서 AUCNET은 tensorflow 코드를 작성했습니다 다음 수준까지, Ocado Ocado는 영국 식료품 가게입니다 그들은 기본적으로 고객 서비스 이메일을 처리하려고했습니다 그것이 작동하는 방식은 고객이 이메일을 보내는 것이 었습니다

오카도 (Ocado)의 누군가가 이메일을 읽는다 고 말하면서, 오,이 고객은 기본적으로 뭔가를 말하고 있습니다 우리 농산물에 대해서 그리고 그들은 생산 부서에 전달합니다 그리고 생산 부서의 사람 그것을 읽고 그것에 대해 무엇을 할 것인지 결정합니다 그것은 꽤 낭비적인 과정입니다

그래서 Ocado는 무엇을 했습니까? 그들은 Natural API, Google API를 사용했습니다 Google 데이터에서 즉시 사용할 수 있으며, 기본적으로 매우 구체적인 것을 식별하지는 않습니다 Ocado 특정 그러나 기본적으로 고객을 말할 것입니다 행복한 고객은 행복하지 않습니다

농산물에 관한 이야기, 등등 그리고 Ocado는 기본적으로 NLP API를 사용하고 기본적으로 말한 두 번째 모델, NLP API가 태그를 제공하면 어떤 부서에서 너는 그걸로 보낸거야? 즉, 그들은 원시 텍스트로 갈 필요가 없었습니다 그리고 완전한 모델을 직접 구축하십시오 기본적으로 NLP API를 기반으로 구축 할 수 있습니다 더 작고 쉬운 모델을 만들 수 있습니다

그것은 내가 말하는 추상화 수준입니다 기술적 인면이 향상됨에 따라, 당신은 점점이 수준으로 내려갈 필요가 없습니다 원시 이미지, 원시 텍스트 다루기 기본적으로 기존 API를 기반으로 구축 할 수 있습니다 그 사이에, 기본적으로 – 사람들이 기본적으로 콘텐츠를 업로드 할 수 있습니다

때로 사람들이 부적절한 콘텐츠를 업로드하는 경우 이유가 무엇이든지 그리고 그렇게 본 것은 그것을 거부하기를 원합니다 그리고 그들은 Vision API를 사용하여 거부 할 수있었습니다 똑바로, 그냥 그대로 사용하십시오 그리고 나서 일본 소매 업체 인 유니클로 (Uniqlo) 기본적으로 필요합니다 – 기본적으로 chatbot을 만들고 싶었습니다

그리고 다시, 그들은 프로그래밍 할 필요가 없습니다 개개의 단어의 그들은 대화에서 의미합니다 그들은 기본적으로 시제로 쓸 수 있습니다 이 대화는 다음과 같습니다 누군가 블라우스를 찾고 싶어

그들의 셔츠 그리고 챠트 봇은 기본적으로 현실감 넘치는 경험 만들기 사용자를위한 그래서 당신은 매우 낮은 수준의 LSTM 모델의 관점에서 생각할 수 있습니다 그러나 매우 높은 수준에서 고객의 의도는 무엇입니까? 그들이하는 전형적인 거래 란 무엇입니까? 걸을거야? 그리고 이것이 당신이하는 방법입니다 ML을하고 있다면, 이것은 당신에게 무엇을 의미합니까? 기본적으로 선택하고 싶다는 의미입니다 그 추상화의 모든 수준에서 할 수있는 프레임 워크 계층

낮은 수준의 텐서 흐름 모델을 만들고 싶습니다 완전히 관례, 문제 없어요 ML 엔진을 사용하십시오 기본적으로 out-of-the-box 모델을 사용하려면 기본적으로 방대한 양의 데이터에 대해 교육을 받았지만 문제는 없습니다 Vision API, Translate API, Speech API를 사용하십시오

중간에 뭔가있는 것이 있습니다 기본적으로 모든 것을 활용하고 싶습니다 Vision API가 제공하지만 사용자 정의 할 수 있습니다 너 자신의 일에? AutoML을 사용하십시오 오늘 기조 연설에서 AutoML은 더 이상 단순하지 않습니다

비전에 대해서 우리는 또한 AutoML의 텍스트 분류, 아이디어 기본적으로 Google의 위에 구축 할 수 있습니다 그래서, 그것은 4b입니다 클라우드에서 기계 학습을하는 방법에 대해 생각할 때, 모든 과대 선전에도 불구하고 기계 학습이, 궁극적으로 여전히 소프트웨어입니다 그리고 구매 결정을 내리고 의사 결정을 내리고 싶습니다

그리고 당신은 품질, 당신이 할 수있는 일의 종류에 따라 그래서, 우리는 요약 할 것입니다 그래서 1 위, 기계 학습은 규칙을 작성하는 많은 문제를 해결하는 데 사용됩니다 오늘 2 번, 기계 학습은 당신이 개인화하는 방법입니다 모든 응용 프로그램

이것은 당신이 긴 꼬리에 도달하는 방법입니다 3 번,이 기대치로 시스템을 설계하십시오 내년에는 더 많은 데이터를 얻을 수 있습니다 그리고 4 번 – 저는 여기에 a와 b를 결합했습니다 – 인프라를 잊을 수있는 플랫폼을 사용하십시오 그것은 당신에게 훌륭한 미리 만들어진 많은 모델을 제공합니다

고맙습니다 [박수 갈채] [음악 재생]

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]

AI Powered Contact Center Analytics (Cloud Next ’18)

[음악 재생] DARYUSH LAQAB : 안녕하세요 우리와 함께 해줘서 고마워

내 이름은 Daryush입니다 저는 Google의 Contact Center AI 제품 관리자입니다 너 모두 여기와 주셔서 감사합니다 우리에게는 당신에게 잼이 가득 찬 의제가 있습니다 나는 너에게 말하는 것으로 시작할거야

Contact Center AI에 대해 조금은 그리고 그것은 무엇을 위해 좋은가지만, 대부분의 세션 우리 파트너가 수여 할 것입니다 바로 뒤에 조쉬가 무대에 올 것이며 조쉬는 미텔입니다 그리고 그는 Mitel이 어떻게 통합했는지 보여줄 것입니다 전체 Google Contact Center AI 스택에 추가 그리고 그들이 그것을 사용하여 더 많은 것을 만드는 방법 지능형 컨택 센터 조쉬 이후 우리는 오퍼에게서 소식을 듣게 될 것입니다

Ofer는 Chatbase의 총책임자입니다 Chatbase는 Google 내의 Area 120 프로젝트입니다 Ofer는 Chatbase가 어떻게 보완되는지에 대해 이야기 할 것입니다 Contact Center AI에서 전화 드라이버, Contact Center 로그에서 통화 주제 및 통화 인 텐트를 확인할 수 있습니다 Traci는 그 후에이 단계를 취할 것이고, Traci는 KPMG의 지능형 컨택 센터 AI와의 상호 작용 플랫폼 작동 귀하의 컨택 센터 운영을 최적화하십시오

제네시스의 Andrea는 고객 관리에 대한 새롭고 / 대체적인 사고 방식을 보여줌으로써 채널 그래서 그걸로 조금 이야기합시다 Contact Center AI에 관해서 Contact Center AI는 Google의 더 큰 노력의 일부입니다 Cloud AI라고합니다

Cloud AI에서 우리는 세 가지 범주로 우리의 노력을 분류합니다 카테고리 번호 1은 우리 플랫폼입니다 AI 플랫폼, 기계 학습 엔지니어 및 데이터 과학자를 가능하게합니다 그들의 기계 학습, 훈련, 예측, 클라우드 머신을 사용하여 클라우드에서 학습 엔진 또는 하이브리드 또는 온 – 프레미 환경에서도 Kubeflow를 사용합니다 두 번째 범주는 사전 훈련 된 기계입니다

API를 통해 쉽게 소비 할 수있는 학습 모델 우리의 이미지 인식, 물체 인식 모델, 번역 모델 및 자연 언어 모델을 지원합니다 자신의 라벨 데이터를 가져 오는 경우, 그런 다음 이러한 사전 교육 된 API를 사용자 정의 할 수 있습니다 AutoML 기술을 사용하여 귀하의 유스 케이스에 대한 그리고 나는 당신이 모든 발표를 보았을 것이라고 확신합니다 어제와 오늘 AutoML 주변

세 번째 카테고리는 AI 솔루션입니다 솔루션 카테고리에서는 이러한 사전 교육 된 API를 제공합니다 새로 지은 – 사전 훈련 된 모델 및 API – 포함 된 솔루션으로 그들을 함께 포장하십시오 매우 구체적인 사용 사례 세트에 중점을 둡니다 Contact Center AI는 이러한 솔루션 중 하나입니다

고객 관리 및 연락 센터 사용 사례 그러나 우리는 어떻게 거기에 갔습니까? 우리는 수많은 고객과 많은 파트너들과 이야기했습니다 그리고 그들은 우리에게 많은 고통 점을 말했습니다 이 통증 포인트는 세 가지 범주로 나뉩니다 카테고리 번호 1은 악명 높은 길고 깊은 IVR입니다

나무 하나를 눌러 왼쪽으로 이동하십시오 날카로운 오른쪽으로 이동하려면 두를 누르십시오 약간 오른쪽으로 가려면 3 번을 누르십시오 그리고 나는 너를 놀래켜 주겠다

그 경험을 즐긴다 그렇게한다면, 손을 들어주지 마십시오 하지만 내가 이야기 한 사람은 그 경험을 즐기지 못합니다 하지만 일단 실제로 두 번 약 7 번 세 번이나 세 번이나 길을 따라 당신은 귀하의 계정 번호를 두 번 제공합니다 마침내 당신은 살아있는 요원에게 도착합니다, 그 에이전트가 돌아 서서 즉시 묻는다

너 계좌 번호는 뭐니? IVR을 제공하는이 정보는 IVR이 통화를 라이브 상담원에게 전환 할 때 부재 중입니다 이제 세 번째 계정 번호를 입력하셨습니다 또는 그 문제에 대한 n 번째 시간 – 에이전트는 즉시 당신을 보류 상태로 놓고, 옆에있는 에이전트가있는 동안 음악을들을 수 있습니다 미친 듯이 당신의 질문에 대한 답변을 찾고 있습니다 이것은 매우 불량한 발신자 경험을합니다

저는 우리 중 누구도 그 경험을 즐기지 않는다고 생각합니다 그러나 그것은 또한 운영 비용이 매우 비쌉니다 연락 센터 고객, 파트너에게 이야기 할 때, 우리는 시간의 어떤 시점에서, 실제로 전화에 응답하는 데 약 $ 15가 걸립니다 연락 센터에 온다

그것은 한 통화에 많은 돈이됩니다 또한 상담원이 푸시되고 있습니다 그들은 이러한 해답을 빨리 찾아야합니다 그들의 데스크탑은 엉망입니다 그들에는 CRM가있다

Contact Center가 있습니다 그들에는 수색이있다 대략 3 명 중 1 명 정도가 결과로 나타납니다 컨택 센터에 합류 한 지 12 개월 이내에 휘젓다 컨택 센터를 운영하는 데 매우 비쌉니다

이것이 우리가 생각한 이유입니다 어떻게 실제로 활용할 수 있습니까? 인공 지능은 호출자 모두에게 더 나은 경험을 제공합니다 요원? 이것이 바로 Contact Center AI를 구축 한 이유입니다 Contact Center AI에는 세 가지 주요 구성 요소가 있습니다 첫 번째는 가상 에이전트입니다

이는 Dialogflow Enterprise 제품을 기반으로합니다 일반적인 트랜잭션을 자동화하는 것 외에도 및 정보 호출, Dialogflow IVR 트리를 병합 할 수 있습니다 x에 대한 프레스 1을 바꾸고 y에 대해 두 번 누르십시오 안녕하세요, 전 자동 요원입니다 오늘 어떻게 도와 드릴까요? 그리고 그 대화를 계속할 수 있습니다

호출자는 자연 언어와 같은 방식으로 호출됩니다 또한 직접 전화를 올릴 수 있습니다 인간 대리인에게 그리고 모든 컨텍스트가 모여 있는지 확인합니다 호출 중 실제로 자동화 에이전트에서 전달됩니다

라이브 에이전트에게, 제 2 버킷의 결과 – 에이전트 지원 에이전트 지원을 구축하여 라이브 에이전트에 대한 경험 더 좋고 간소화됩니다 요원 보조 – 이름에서 알 수 있듯이 – 통화를 모니터링하여 상담원을 지원하고, 그 상담원 사이의 대화에 대한 컨텍스트 구축 그 고객 지식 기반으로 이동하여 정답을 가져옵니다 또는 답변이있는 올바른 기사 그것을 에이전트에게 향하게합니다

자, 다시는 희망에 따라 요원이 대기시켜야한다 세 번째 부분은 회화 주제 모델링입니다 대화식 주제 모델링 채팅 로그 및 오디오 로그에서 주제를 찾을 수 있습니다 고객이 어떤 주제에 대해 알려줄뿐만 아니라 너를 부르고 있었어 너에게 말할거야

그 주제를 분명히하기 위해 사용했던 핵심어 그 주제에 대해 이야기하는 데 사용 된 최고 문장은 무엇 이었습니까? 주제 모델링에 대해서는 언급하지 않을 것입니다 당신이 그것에 대해 많이들을 것이기 때문에 지금 당장 많이 우리 파트너로부터 그건 그렇고, 내가 지금까지 언급 한 것은 무엇이든 나는 호출자라는 용어를 사용했다

그것은 오디오와 전화 모두에서 작동한다 텍스트 및 채팅 기능을 제공합니다 우리는 컨택 센터 사이의 세션을 관리 할 것입니다 배치 및 모든 인공 지능을 제공합니다 모든 것은 지식 기반으로 뒷받침됩니다

여러 지식 기반을 생성 할 수 있습니다 에이전트 지원 및 가상 에이전트를 백업 할 수 있습니다 그런데이 색상 코드 슬라이드에서 Google은 빨간색을 만듭니다 파트너 또는 고객이 녹색을 만듭니다 이것이 바로 색상의 의미입니다

너무 많은 시간을 쓰지 않을거야 지금은 시간 때문에 건축물을 거치면서, 그러나 더 많은 것을 배우고 싶다면 그것의 기술적 측면에 대해서, 세션 후에 나를 보아라 부스에서 우리를 만나십시오 저를 신뢰하십시오, 우리는이 재료에 괴짜를 사랑합니다 우리는 당신에게 그것에 대해 이야기하고 싶습니다

주제 모델링과 동일합니다 – 우리를 참조하십시오 그런 다음 우리는 그것에 대해 이야기 할 것입니다 Contact Center AI는 알파로 제공됩니다 독점적으로 우리의 파트너를 통해, SI 파트너를 포함하여 그들은 모두 우리의 스택을 잘 알고 있습니다 실제로 선상에서 당신을 도울 수 있습니다

내가 조쉬에게 말하면서 우리에게 말해주기 전에 Mitel의 컨택 센터의 장점에 대해, CCAI에서 다른 세션을 위해 뻔뻔한 플러그를 만들자 우리가 내일 11시 40 분에이 방에서 가지고있는 통합에 대한 더 많은 데모를 보게 될 것입니다 Contact Center AI로 이동합니다 오늘 우리가 볼 수 있지만 내일, 우리는 더 많은 통합을 볼 수 있습니다 어쩌면 몇 명이라도 부르는 사람들조차도

같은 방에있는 다른 사람 따라서 오디오 피드백을 듣고 싶다면, 내일은 최고의 날입니다 우리는 또한 speech-to-text와 Dialogflow에 관한 세션을 가지고 있습니다 엔터 프라이즈, 나는 그들이 이미 발생했다고 생각한다 그래서 일단 당신이 실제로 당신의 손에 손을 가지고 있다면, 그걸 확인해 보는 것이 좋습니다

제발, 제발, cloudgooglecom로 이동하십시오 / solutions / contact-center와 분명하게, 글꼴 크기가 잘못되었습니다 의견에 기재하지 마십시오 그러나 제발, 거기에 가라

Contact Center의 움직이는 부품에 대해 많이 읽게됩니다 그러나 가장 중요한 부분은 화면 하단에 있습니다 아래로 스크롤해야합니다 관심이 있다고 말하는 파란색 버튼이 있습니다 그것을 클릭하고, 그 양식을 작성하고, 나는 그것에 대해 당신과 이야기하고 싶습니다

그걸로 조쉬에게 넘겨 줘 [박수 갈채] 조슈아 스 해설 : Daryush, 고맙습니다 나는 우리가 오늘 여기에 얼마나 흥분했는지 말할 수 없다 Google과 협력하여 고객을 실제로 변화시킵니다 경험과 새로운 무언가를 제공하십시오

우리는 지능적인 고객 경험을 호출합니다 Mitel은 45 년 동안 사업을 해왔습니다 우리의 초점은 원활한 커뮤니케이션을 제공하는 것입니다 공동 작업 및 진정으로 도움이되는 비즈니스 더 효과적으로 의사 소통 우리는 7 천만 명이 넘는 우리 기술 사용자를 보유하고 있습니다

전 세계에서 우리는 2 위입니다 배치 된 전체 컨택 센터의 컨택 센터 세계적으로 25,000 개 이상의 기업 고객 경험을 Mitel Solutions에 신뢰하고 있습니다 우리의 기대가 바뀌고 있습니다 너는 내가 이만큼 알고 있다는 것을 확신한다 우리 중 대부분은 오늘 스스로 봉사하기를 원합니다

우리는 앱이나 웹 사이트를 통해 할 수 있기를 원하며, 우리가 찾고있는 정보를 찾는다 우리가 거래하고자하는 방식으로 거래하고, 우리는 그것이 우리 시대에서 일할 수 있기를 원합니다 우리의 일정에 따라, 우리 장치에서 그리고 실제로 Synthetix 우리 중 90 %가 회사의 웹 사이트에 갈 것임을 확인했습니다 우리가 그 회사에 전화하기 전에

그래서 나에게 그것은 우리가 회사에 전화 할 때마다 의미합니다 그것은 예외입니다 그것은 좋은 고객 경험을위한 놓친 기회입니다 그리고 어쨌든 고객 경험은 얼마나 중요합니까? Walker는 2020 년까지 고객 경험 제품이나 가격보다 더 중요 할 것입니다 그렇다면 우리가 어떻게 사업을 혁신하고 디지털 방식으로 변화시킵니다

테슬라를 예로 들어 보겠습니다 그들은 자동차 소유 경험을 완전히 혼란 시켰습니다 그리고 우리는 그것들을 모두 전기 자동차 용으로 알고 있습니다 하지만 그들은 무선 업데이트를 할 수 있다는 것을 알고 계셨습니까? 우스꽝스러운 속도 또는 자동 조종 장치와 같은 것들을 밀어 넣으십시오 딜러를 차에서 내 보낸 다음에? 둘째, 원격 진단을 할 수 있습니다

모바일 기술자를 사이트로 옮길 수 있습니다 와서 수리하고 봉사하십시오 나는 그것이 이런 것들이라고 말할 것이다 이 긴 꼬리 차별 자들 그것은 결국 브랜드가 될 것입니다 사람들은 테슬라에 대해 알고 있습니다

그리고 그들은 기술을 앞두고 있습니다 그들의 경쟁에서 이것이 우리가 고객 경험을 다시 상상하고있는 이유입니다 지능적인 고객 경험을 Mitel Solutions를 사용하는 회사는 비즈니스를 변화시킬 수 있기를 원합니다 게다가

그래서 우리는 Mitel의 45 년 역사를 결합하고 있습니다 기업 커뮤니케이션 방식 이해하기 옴니 채널 컨택 센터와 방법 모두 우리는 복잡한 라우팅 규칙을 수행하고 구글의 컨택 센터 클라우드 AI와 첫 번째는 분석입니다 그래서 우리는 많은 컨택 센터 사업과 핵심 업무를 수행합니다 우리가 일반적으로하는 일은 초점 접촉 센터입니다 내부적으로 측정 항목

우리는 사업자가 그들의 대리인이 얼마나 효율적인지 이해할 수 있도록 돕습니다 당신은 Daryush가 얼마나 비싸다고 들었습니까? 컨택 센터를 운영하는 것입니다 그렇기 때문에 측정 항목은 그 대리인들은 효율적입니다 그러나 나는 인공 지능으로 우리는 외모를보아야 할 필요가 있다고 말할 것입니다 효율적인 에이전트를 어떻게 실행하는지에 대한 자세한 내용은 아닙니다

그것은 사람들에 대해 어떻게 예외를 둡니까? 귀하의 연락 센터에 전화하고 있습니다 그걸 가지고 똑똑한 것을합니까? 따라서 주제 모델러를 사용할 수있는 능력 이유에 대한 정보를 살펴볼 수 있습니다 고객이 전화를 걸고 제품을 개선하는 데 도움을줍니다 및 솔루션 두 번째는 가상 에이전트입니다

우리 모두가 스스로 봉사하기를 원한다면 항상 상주하는 요원이 우리가 찾고있는 해답을 우리에게 줄 수있다 매우 도움이 될 것입니다 따라서 Google의 가상 에이전트 기능을 사용하면 우리는 고객과 직접 연결할 수 있습니다 조직 내부의 지식 기반으로 이렇게하면 고객이 답변을 얻을 수 있습니다 그들의 질문에 실시간으로 최신 정보를 제공합니다

그리고 나서, 물론, 우리가 라이브 에이전트에게 갈 때, 우리는 고객의 가상 에이전트와의 대화 컨텍스트 유지된다 그래서 우리는 그 전체 대화를 통과 할 것입니다 라이브 에이전트에게 그들이 컨텍스트를 이해하는지 확인하십시오 그리고 우리는 AI를 계속 대화에있게 할 것입니다 실시간으로 해당 상담원을 감독하고 조사 할 수 있습니다

이제 Google이 AI를 민주화하고 그것은 우리 모두에게 기업으로서, Mitel은 우리가 Contact Center AI 구성 요소의 기능 활용 그들을 모든 분야 – 산업 – 모든 규모의 기업에서이를 배포 할 수 있는지 확인하십시오 그래서 우리는 그것을 우리의 CloudLink 플랫폼에 직접 통합했습니다 클라우드에서 태어난 네이티브 마이크로 서비스 아키텍처 우리가 연락처에 안전하게 연결할 수있게하는 것이 글로벌입니다 고객이 운영하는 센터, 호스팅 된 센터 클라우드 또는 현장 배포에 사용됩니다 이제는 애널리틱스에 대해 잠깐 얘기해 보겠습니다

고객이 왜 우리에게 전화를하는지 살펴 보았습니다 따라서 Mitel 판매 지원 대기열에서, 우리는 20,000 건이 넘는 전화 기록을 조사했습니다 주제 모델러 엔진을 통해 분석을 수행했습니다 들어오는 것에 관해서 우리는 제품 출시시기를 확인했으며, 실제로 마이그레이션 라이센스 문제가있었습니다

우리는 신호를 통해 그것을 발견했습니다 여기 그래프의 초록색 선에서 볼 수 있습니다 우리는 소프트웨어 업그레이드를 보여줍니다 사람들이 왜 전화를했는지에 대한 높은 구성 요소로서 이제 마이그레이션 픽스를 적용 할 수있었습니다 그 녹색 라인이 추세인지 알 수 있습니다

그 후 오히려 급속하게 이루어졌다 이것이 우리가 어떻게 개선 할 수 있었는지입니다 리셀러 및 고객을위한 당사의 경험 이제 다른 회사와 협력하고 있습니다 우리가이 기술을 검증하는지 확인하십시오

우리는 배포하기 쉽도록하고 싶습니다 그리고 쉽게 탑승 할 수 있습니다 그래서 Acendas Vacations, Acendas Travel 우리가이 일의 일부를 수행하도록 돕고 있습니다 사실 로드니 패티슨 (Rodney Pattison) 오늘 우리와 함께합니다 – Acendas의 CTO 그리고 그가 흥분하는 중요한 것들 그의 사업에서 인공 지능을 사용하는 방법은 고객의 상호 작용을 개인화하고, 향상된 지원 – 그의 시간을 연장하고 그 상호 작용을 더 좋게 만든다

그의 고문에게 더 효과적인 것을 제공한다 그 협의 휴가 계획에서 아주 좋은 것을 의미합니다 그들이하는 일 그래서 더 이상 고민하지 않고 데모를 시작하겠습니다 그래서 저는 Acendas의 휴가 웹 사이트에 있습니다

많은 카테고리가 있음을 알게 될 것입니다 그들의 웹 사이트에 그들은 훌륭한 정보를 가지고있다 이 사치를위한 목적지의 전문가 인 고문 휴가 여행, 내가 선택할 수있는 목적지, 경험담 그들은 심지어 정말로 좋은 blog를 얻었다 콘텐츠가 매우 풍부합니다

문제는 고객으로서, 나는 정말로 확신 할 수 없다 어디서 시작하나요 휴가가 필요한지 잘 모르겠습니다 나는 고문과 이야기하기를 원한다 이것을 통해 나를 도울 수 있습니다

그래서 그들의 웹 사이트에는 그들에게 연락하는 여러가지 다른 방법 나는 음성 통화를 통해 들어올 수있다 나는 그들에게 이메일을 보낼 수있다 그러나이 경우에는 실시간 채팅을하고 싶습니다 그래서 저는 그들에게 여기에 제 정보를 조금 전하겠습니다

그리고 이것이 대기 중일 때 나는 웹 사이트에서 약간의 정보를 볼 수 있습니다 우리의 인터넷 연결이 오늘 여기서 원활하게 일하고 있습니다 이제 마리솔이 인사하겠습니다 Acendas 여행 봇 마리솔은 내 취향을 안내해 줄 수 있습니다

내가 찾고있는 경험들 그래서이 경우 나는 가족 휴가에 관심이 있습니다 그리고 제 아이들의 나이를 생각하면, 그들은 해변에서 놀고 싶어한다 어쩌면 우리는 하와이에 갈거야 이제 마리솔은 내 취향에 대한 이해를 돕습니다

그 당시에, 그것은 무엇을보고 있습니다 백엔드의 고문은 협의 휴가 계획을 도와 줄 수 있습니다 나는이 시간을 그냥 쉬게 할 것 같아 그래서이 시점에서 마리솔은 가고 있습니다 이 상호 작용을 도와 줄 수있는 요원에게 저를 알려주세요

아흐메드는 나와 대화하는 올바른 사람입니다 그래서 제가 언급 한 것처럼, 우리는 전체 대본을 통과 시켰습니다 에이전트에 대한 고객 권리와의 봇 상호 작용 아흐메드처럼 고객에 대한 이해를 얻을 수 있습니다 문맥– 그들이 가고 싶은 곳, 고객이 누구인지 – 이 시점에서 나는 말할 수있다 하와이 휴가 여행을 도와주세요

내가 입력 할 수 있다면 우리가 바로 앞뒤로 시내에서 머무를 수 있도록 고객과 함께, 봇 상호 작용에서도 마찬가지입니다 이제 제안을 볼 수 있습니다 그래서 나는 AI가 대화에 머물렀다 고 언급했다 우리는 에이전트에게 실제 정보를 제공하기 시작합니다

그 대화와 관련이 있습니다 그래서 여기에 나오는 첫 번째 기사 하와이 군도는 가족을위한 여행입니다 정확히 무엇을 요구했는지 이제 저는 Acendas 여행의 일부를 살펴볼 수 있습니다 정보

나는 마우이가 가족을위한 좋은 장소라는 것을 알 수있다 긴장하고 싶은 사람 오아후는 고전적인 하와이 경험을위한 좋은 장소입니다 나는 마우이가 좋게 들린다 고 생각한다 이제는 요원으로서, 이 정보를 고객에게 전달할 수 있습니다

그래서 그들은 스스로를 찾을 수있다 그 정보에 관해서도 안내받을 수 있습니다 그래서 나는이 상호 작용을 끝내고 끝낼 것입니다 우리는 음성 상호 작용에 들어갈 것입니다 안녕하세요, Acendas Vacations에 전화 해 주셔서 감사합니다

나는 마리솔, Acendas 여행 봇이다 찾고있는 휴가 유형을 알려주세요 조슈아 해 스렛 : 나는 유럽에 가고 싶다 당신이 가고 싶은 곳을 아십니까? 조슈아 스 해설 : 아니,하지만 누군가와 이야기하고 싶다 저에게 아이디어를 줄 수 있습니다

문제 없어 우리는 도움을 줄 수있는 전문가 조언자가 있습니다 당신은 완벽한 위치를 찾습니다 가이드 투어에 관심이 있습니까? 조슈아 스 해설 : 아니, 고마워 마리솔 : 좋습니다, 우리는 기꺼이 도와 드리겠습니다

너 휴가 계획이야 내가 당신을 우리의 전문 고문 중 한 명으로 데려가는 동안 기다려주십시오 환상적인 여행 계획을 세우는 데 도움을 줄 수 있습니다 JOSHUA HASLETT :이 시점에서, 전문성이있는 올바른 상담원에게 전화가 연결됩니다 여행하는 유럽 방학

그리고 그 요원에게 성적표가 건네 져요 봇과 인간 사이의 음성 상호 작용 그리고 우리가이 대화를 시작하기 시작할 때, 우리는 실제로 제안을 제공하도록 확장 할 수 있습니다 우리가 채팅에서했던 것과 같은 방식입니다 그래서 Acendas 휴가는이 기회에 흥분됩니다 우리가 프레젠테이션 모니터로 돌아갈 수 있다면

고맙습니다 그들은 존재에 대해 정말로 흥분하고 있습니다 고객의 일치 정확도 향상에 집중할 수있다 그들이 그들의 웹 사이트에 와서 찾기를 원할 때 그 협의 휴가 그들은 또한 성공을 높이고 싶어합니다

최초 예약 및 반복 예약 비율 모스 콘 웨스트 (Moscone West) 1323 번 부스에서 좀 더 자세히 살펴보십시오 고맙습니다 그리고 그 시점에서, 나는 그것을 Ofer에게 넘겨 줄 것입니다 [박수 갈채] 안녕하세요

안녕하세요 얼마나 많은 사람들이 여기 몇 주 안에 프로젝트를 할 수 있다면, 몇 달에 걸쳐 그것을 선호합니까? 손을 보여줘 나머지는 질문을 듣지 못했을 것입니다 그래서 Chatbase는 바로 그걸 도울 수 있습니다 팀이 가상 에이전트를 구축 중입니다

컨택 센터는 이제 막대한 시간을 절약 할 수 있습니다 주제 모델링이 어떻게 당신에게 줄 수 있는지에 대해 들었습니다 높은 수준에서 어떤 전화 및 라이브 채팅에 관한 것입니다 글쎄, 우리가 한 일은 우리가 갔다는거야 매우 구체적인 유스 케이스 레벨에서, 이러한 대화의 흐름을 매핑 할 수 있습니다

Google의 시스템을 활용하여 가능해진 모든 것 학습은 수년에 걸쳐 개발되었습니다 우리는 Google에 속해 있습니다 그리고 동일한 기계 학습으로 Google 검색도 가능합니다 Google 검색 및 길잡이와 Gmail의 일부 오늘 오늘 우리는 이렇게 말한 것을 기쁘게 생각합니다 초기 액세스 프로그램 발표 Chatbase Enterprise Edition이 바로 그 것이다

그리고 다시 물러서면 지난 몇 년 동안 Google은 최적화를 수행해 왔습니다 가상 에이전트의 수십만에 대해 가상 에이전트 수십억 개의 메시지 처리 가상 에이전트에게 그리고 우리가 오늘 발표하는 새로운 부분 이러한 가상 에이전트를 구축하는 데 도움이되는 정보를 제공합니다 따라서 일반적으로 팀이 빌드하려고 할 때 컨택 센터 가상 에이전트, 그들은 회사 내부의 전문가를 방으로 데려옵니다 때때로, 그들은 컨설턴트를 데려옵니다

그리고 그들은 브레인 스토밍을합니다 우리는 무엇을 만들어야합니까? 그들은 흐름을 브레인 스토밍하고 생각할 수도 있습니다 사람들이 어떻게 이것을 표현할 수 있을까요? 아마 10, 20, 50 가지 변형이있을 수 있습니다 그러나 데이터를 사용하는 경우 수천 유사 콘텐츠를 사용하면 봇을 가상 에이전트가 똑똑합니다 그래서 정말로, 세 가지 단점이 있습니다

이 브레인 스토밍 접근 방식 하나는 당신이 모든 뉘앙스를 예측하지 않는다는 것입니다 대화의 모든 최후의 경우 갈지도 두 가지는 컨택 센터의 트렌드를 놓치고, 계절성, 신제품, 또는 다른 것들을 그걸 따라 잡기가 어렵습니다

그리고 세 번째 – 세 번째 단점은 그것이 느린 과정이라는 것입니다 천천히 모든 것을 살피십시오 그러나 실제로 그것은 무엇에 관한 것이 전부입니다 그것은 컨택 센터에서 진행되는 블랙 박스입니다 사람들이 부르는 것은 무엇입니까? 문제가 항상 명확하지는 않습니다

때때로, 그들은 심지어 그들이 심지어 말하지 않는다라고 말한다 그들의 문제가 뭔지 알아 그들은 그것을 알아 내기 위해 노력하고 있습니다 대리인에 의한 좋은 반응이 항상 명확한 지 여부 그래서 이것이 Chatbase가 들어오는 곳입니다 그래서 우리는 대화의 모든 부분에 태그를 붙였습니다

사실 최고 수준에서 우리는 대화에 대해 태그를 붙입니다 이것은 청구서 수신 예제입니다 누군가가 청구서 마감일을 바꾸라고 전화 했어 그래서 우리는 그것을 드라이버라고 부릅니다 최고 수준은 요금 청구입니다

의도 수준은 내 청구서 마감일을 변경합니다 -보다 구체적입니다 그리고 나서 우리는 그 단계를 밟습니다 그 대화에서 그들이 원하는 날짜로 변경하고 싶습니다 고객이 새 날짜를 제공합니다 따라서 각 노드에 대해 수천 가지 변형

예를 들어, 이것은 실제 데이터입니다 누군가 새로운 날짜를 제공하면, 당신은 그들에게 단지 날짜를 알려주기를 기대합니다 그러나 우리는 사람들이 말하는 데이터에서 3 일과 5 일 사이에? 또는 금요일 중반 – 이들은 실제 예입니다 대부분의 가상 에이전트, 나처럼, 나는 당신이 내게 원하는 것을 모릅니다 나는 이것을 위해 훈련받지 못했다

그러나 데이터 중심 접근 방식을 사용하는 경우, 이 모든 경우를 실제로 처리 할 수 ​​있습니다 그래서 나는 세 단계에 대해서 이야기 할 것입니다 데이터 기반 가상 에이전트를 구축하는 데 사용됩니다 먼저 데이터에있는 것을 발견하는 것으로 시작합니다 그런 다음 프로덕션에 배포합니다

그리고 프로덕션에서는 경험을 최적화합니다 그리고 우리는 이것들 각각에 들어갈 것입니다 그래서 발견 단계의 첫 번째 단계 사람들이 무엇을 찾는가? 약 전화하고 있니? 그래서 우리는 감독되지 않은 기계 학습을 사용합니다 클러스터링으로서 당신에게 감각을 줄 것입니다 핵심 주제는 무엇입니까? 그리고 당신은 여기 청구서 및 계정, 수익은 주요 동인이지만 기술 지원 그리고 지불은 일반적이지 않습니다

그럼 청구서와 육체에 잠깐 나갑시다 그게 일반적인 것 같아서 따라서 결제 내에서 우리는 클러스터 된 요청을 보았습니다 계산서 만기일을 바꾸기 위해 그것은 꽤 큰 집단입니다 그런 다음 청구서 청구를 요청합니다

또는 귀하의 청구서에 대한 할인은 덜 일반적입니다 이 단계에서는 일부 감독 된 기계 학습을 사용합니다 그룹화를 정리하지만 실제로는 감독되지 않은 사람은 당신에게 어디를보아야하는지 감을 준다 중요한 것 다음 단계는 청구서 납부 기한 변경에 대한 내용입니다

그것은 큰 운전자 내에서 큰 의도로 보이기 때문입니다 그리고 다음 단계는 생성하는 것입니다 – 그리고 이것은 두어 시간 만에 끝날 수 있습니다 우리가들은 것은 일주일에서 4 주 정도 걸립니다 당신은 상세한 흐름을 생성 할 수 있습니다 그 의도가 촉발되면 청구서 만기일을 변경합니다 – 대화를하는 모든 방법을 볼 수 있습니다

따라서이 경우 공통 흐름은 이름을 확인하고, 날짜를 확인하고, 새 날짜를 확인합니다 이 노드들 뒤에있는 각각의 노드 그것이 말한 수천 가지 방법이 있습니다 그리고 소수의 회사 중 하나 인 Google 언어를 이해합니다 오랫동안 우리 사업 따라서이 문제에 적용하는 것은 좋은 기술입니다

이제 가상 에이전트를위한 빌딩 블록이 생겼습니다 우리는 그것을 보았습니다 우리는 그것이 좋게 보이고 배포 할 때가되었음을 확인했습니다 그리고 가상 에이전트에 배포합니다 그래서 그것은 야생에서 고객이 사용하는 것입니다

그리고 최적화를 원합니다 항상 일이있을거야 당신이 그리워하는 것들, 나타나지 않은 것들 원래의 데이터에서 Chatbase를 사용할 기회가있는 곳 처리 된 보고서 그것은 봇이 어디에 있었는지 모든 사례를 보여줍니다 나는 고객이 말하는 것을 모른다

그리고 여기서 우리는 다시 기계 학습을 사용합니다 그래서, 내 계산서 타이밍을 가정 해 봅시다 일하지 않고 두 번째로 돈을 받는다 새 만기일이 필요해 – 그들은 잡히지 않았다 그러나 감독 된 기계 학습으로, 우리는 그 의도를 제안한다

그래서 우리는 이것이 이것이 우리가해야한다고 믿는 것이라고 말합니다 그리고 인간의 검토를 통해 모든 것을 받아 들일 수 있습니다 확실하지 않은 것이 하나 있다면, 당신은 전체 성적표를 가져올 수 있습니다 그것이 적절한지 확인하기 위해 상황을 확인합니다 이 단계를 거친 후에, 마지막 단계는 퍼널을 점검하는 것입니다

이 변경 청구서 기한을 통과하는 사람들이 있습니까? 구체적인 의도를 보려면 퍼널을 확인하십시오 거기에 떨어져 나가는 것을 볼 수 있습니다 그리고 여기 다시, 당신은 샘플 성적표를 가져올 수 있습니다 보고, 왜 사람들이 내리고 있습니까? 고객 경험 문제 일 수 있습니다 그것은 성적표에 나타날 것입니다

그래서 우리가이 분석을 한 대기업 공유, 가상 에이전트를 구축하는이 방법 시간당 200 마일에서 움직이는 것과 같습니다 기존 방식에 비해 시간당 10 ~ 20 마일입니다 그래서 그것은 말과 마차에서가는 것과 같습니다 잘 조정 된 경주 용 자동차에 이것에 대해 더 많은 것을 배우고 자하는 누구나 Chatbase를 방문하여 데모를 요청할 수 있습니다 Contact Centre 인공 지능 부스를 방문 하셔도됩니다

고맙습니다 [박수 갈채] 다음으로, Traci는 [INAUDIBLE]이 될 것입니다 TRACI GUSHER : 고마워요, Ofer Ofer가 말했듯이, 컨택 센터는 약간의 블랙 박스와 환경 우리가 오늘 만나는 것은 받아 들일 수 없다

콜센터에는 규제 압력이 있기 때문에 그들은 우리에게 엄청난 돈이 들었습니다 궁극적으로 고객에게 전달되는 채널입니다 그리고 평판 위험 우리가 제대로하지 않으면 너무 큽니다 그것에 대해 뭔가를하는 것이 아닙니다 그래서 KPMG는 많은 고객과 함께 작업 해 왔습니다

연락처 센터 및 더 넓은 사람들을 돕기 위해 고객 경험 프로세스 그리고 우리가 많은 주제 모델링을 해왔지만, 우리는 우리의 데이터에 의해 더 많이 해왔습니다 과학자 및 엔지니어가 더 많이 사용함 맞춤형 맞춤형 접근 방식 그래서 Google이 우리에게 기회를 주었을 때 이 새로운 주제 모델링 API를 테스트하려면, 우리가 모든 기회를 보았 기 때문에 우리는 감격했습니다 높은 가속기로 고객에게 가져가는 세계에서 우리가해온 일에 많은 양의 가속과 효율을 가져옵니다

우리가 전에 할 수 있었던 프로젝트의 일부 우리가 미래에해야 할 일입니다 주제 모델링은 실제로 – 우리가 보았을 때 – 가능한 모든 예술의 기초입니다 연락 센터에서 할 수있는 일 인공 지능과 그리고 우리의 선도 데이터 과학자 중 한 명 – Arthur Franke 박사는 데이터를 농업과 비교합니다 따라서 새로운 석유와 같은 데이터 대신 데이터가 새로운 토양입니다

주제 모델링을 통해 핵심 시드라고 생각할 수 있습니다 당신처럼 AI를 키우는 데 도움이 될 것입니다 더 많은 AI 지원 컨택 센터로 이동하십시오 따라서보다 철저한 유형의 접근 방식을 살펴 본다면 주제 모델링으로 시작하는 그것의 기본 요소로서, 주제 모델링을 본다 무슨 일이 일어나고 있는지를 말해주는 주제들을 몰아 내기 위해 이 컨택 센터에서 사람들이 뭐라 부를까요? 트렌드는 무엇입니까? 스파이크가 무엇입니까? 계절성은 무엇입니까? 그리고 우리는 그들에게 통찰력을 적용하고 있습니다

일단 비즈니스 통찰력을 적용하면 주제에서 일어나는 일에 대한 운영 통찰력 모델링, 점점 더 배우기 시작 귀하의 컨택 센터뿐만 아니라, 그러나 전반적인 조직에 관해서 그리고 이러한 것들은 가치 측면에서 많은 것을 유도합니다 우리는이 두 버킷으로 나뉘 었습니다 에이전트를 개선하고 개선하자 우리의 실제 최적화

조직 내에서 발생하는 최적화, 인공 지능을 사용하여 발생하는 영향 귀하의 연락 센터에서 자, 이제 우리가 얻는 것에 대해 빨리 살펴 보겠습니다 주제를 모델링 자체에서 그래서 뿌리부터 우리는 통찰력을 높이고 있습니다 우리는 의도와 복합적인 의도를 이해하고 있습니다

이러한 통화 또는 채팅 로그에서 순서대로 발생합니다 우리가 정말로 이해할 수 있도록 고객이 겪고있는 문제입니까? 우리는 이러한 문제를 해결할 수 있습니까? 그리고 우리가 그 문제들을 다룰 때 그들은 만족하고 있습니까? 그것은 또한 우리가 비즈니스를 감독하고, 그것을 오버레이하고 정보의 추세를 이해합니다 그럼 내 스파이크는 어디 있니? 내 문제는 어디에 있습니까? 내 문제가 있었습니까? 이상한 점은 어디 있니? 내 콜센터에서 무슨 일이 일어나고 있는지에 이상이 있습니까? 그리고 그것을 바로 잡을 수 있습니까? 혜택 측면에서 보면 실제로 이것을 몰아 낼 수있는 많은 다른 것들 그래서 그 중 하나가 박멸입니다 콜센터를 개선하는 것이 더 좋은 방법은 없습니다

대화를 근절하기보다 귀하의 고객이 해결할 수있는 특정 문제 웹 사이트를 업데이트하거나 알림 또는 알림을 푸시하여 그 (것)들에게, 그것을 더 명백하거나 개량해서 귀하의 모바일 채널 중 하나를 사용하여 해당 질문에 답변 할 수 있습니다 전화 또는 고객 담당자와의 채팅을 피하십시오 센터 전체 – 그게 최선의 결과입니다 고객이 한 번도 문제가 없었습니다

그것은 좋은 고객 경험입니다 비용은 더 이상 존재하지 않는다 이미 해결 되었기 때문에 그리고 다른 사람들도 있습니다 너도 알다시피, 요원 훈련에 먹이를

오퍼가 말한 것처럼 사실상 주도적 인 에이전트를 더 많이 만들 수 있음 그것을 향상시키기 위해 데이터를 사용하고, 필수적이며, 뿐만 아니라 다른 많은 것들이 있습니다 제가 말씀 드렸듯이, 우리는 정말로 기회를 갖게되어서 기뻤다 주제 모델링 API를 사용하여 손을 더럽힐 수 있습니다 그리고 우리가 한 것은 90,000 개의 채팅을했습니다 자사 IT 헬프 데스크의 자체 IT 채팅 로그에서 로그

따라서 데이터 자체는 올해 초부터였습니다 6 월경까지 그것에는 90,000 개의 채팅 로그가있었습니다 약 67 명의 에이전트와 약 23,000 명의 고유 사용자가 참여했습니다 그래서 꽤 큰 크기의 데이터 세트였습니다

그리고 해당 데이터 세트 중 주제 모델링 API를 실행했을 때 그 위에 약 100 가지 핵심 주제가 나왔습니다 그 채팅 로그 대화에서 우리가 그때, 약 50 개까지 군집 그리고 우리가이 작업을 수행함에 따라 결과를 분석하기 시작했습니다 우리는 이것을 통해 무엇을 배울 수 있습니까? 여기에 우리가 발견 한 두 가지 예가 있습니다 먼저 월별 분석을 살펴 보았습니다

우리가 이것을했을 때, 우리는 흥미로운 사실들을 발견했습니다 우리 자신의 헬프 데스크가 실제로 쉽게 식별하지 못했던 잠재적으로 해결할 수있는 구체적인 사안으로 어느 쪽이든 A를, 과정을 개량해서 그리고 그러므로, 근절하는 모두 필요 또는 좀 더 고급 방법을 사용하여, Dialogflow를 적용 할 수있는 것 응답에 대한 좀 더 자동화 된 접근 방식을 사용합니다 첫 번째는 사람들이 요청하는 스파이크가 있다는 것입니다 RSA 토큰 비밀번호 재설정

그리고 그 바쁜시기에 감사가 일어났다 그건 감사관들이 사무실에 있기 때문이죠 바쁜 시즌이 오기까지 그리고 바쁜 시즌이되면 클라이언트 사이트를 방문합니다 그래서 한두 달 안에 RSA 토큰을 사용하지 않았습니다

그들은 그들의 암호를 잊어 버린다 고객에게 다시 돌아 오기 전에 재설정해야합니다 사이트가있어 VPN을 네트워크에 연결할 수 있습니다 우리를 위해, 이것은 기회입니다 자동으로 사전 알림을 수행합니다

모든 감사를 살펴 봅시다 지난 4 주 또는 6 개월 동안 VPN을 사용하지 않은 몇주 만에 링크가있는 메모를 푸시합니다 암호를 재설정해야하는 경우 여기에서 수행하십시오 외침을 전부 없애십시오 우리가 한 분석의 또 다른 흥미로운 부분은 비교 된 메디안 상담원 채팅 단어 길이를 비교했습니다

채팅의 길이뿐만 아니라 회전 수 각 채팅에서 – 얼마나 많이 앞뒤로 각각 일어 났는지 차트– 채팅의 전체 볼륨과 함께 그것은 각 주제에서 일어났습니다 그리고 우리는 몇 가지 흥미로운 것을 발견했습니다 그래서 그들 중 한 명은 당신이 본다면 주제 영역으로 소프트웨어 설치시 회의 통화 정보와 비교하여 이 채팅에 응답하는 것을 볼 수 있습니다 거의 같은 양의 단어를 사용했습니다 그러나 얼마나 오래 걸릴지 살펴보십시오

소프트웨어 설치 질문 제대로 대답해야합니다 그리고 소프트웨어 설치의 차이점이 있습니다 주제에 관해서는 상담원이 가서 조사해야했습니다 그들은 가서 정보를 얻어야했습니다 그들은 그 (것)들을주기 위하여 적당한 유형의 응답을 얻어야 만했습니다

템플릿이 없습니다 사용할 수있는 준비 정보가 없습니다 고객에게 제공합니다 전화 회의를 볼 때 복사, 붙여 넣기, 완료되었습니다 단어의 양이 같지만 길이가 늘어납니다

회의 통화 즉, 즉각적인 낮은 교수형 Dialogflow의 응용 프로그램을 위해 준비된 과일은 자동화됩니다 나는 인간과 더 이상 대답 할 필요가 없다 이미 템플리트 화되어 있습니다 갈 준비가되었습니다 소프트웨어 설치면에서, 나는이 말을보고있다

글쎄, 이런, 내가 요원 원조를했다면 나는 그들이 시간과 비용에 대해 묻는 것을 들었다 시간을 업그레이드하는 데 필요한 정보는 다음과 같습니다 및 비용 따라서 개선 기회가 분명했습니다 처음부터 바로, 심지어는 몇 가지 매우 기본적인 분석 만하면됩니다

그러나 우리는 여기서 어디로 가야합니까? 그래서 앞으로 나아가면서, 진정한 힘 내가 말했던 주제 모델링 – 그 토픽 모델링은 그 기초입니다 우리가 다른 어떤 것으로 자랄 수있는 씨앗입니다 그리고 애널리틱스의 많은 응용 프로그램을 오버레이함으로써 이걸 통해 우리는 실제로 할 수 있습니다 방법을 향상시키는 일부 실제 정상 운영 운영 우리는 내부 고객에게 서비스를 제공하고 있습니다 따라서 이러한 방법 중 하나가 실제 모니터링으로 바뀌고 있습니다

따라서 내 주제 모델링이 고객에게 발생하면 채널을 지속적으로 사용하면 스파이크를 모니터링 할 수 있습니다 다가올 문제는 무엇입니까? 프로세스 개선을위한 이슈는 무엇입니까? 왜냐하면 그것은 스파이크 였기 때문에? 그리고 그것이 박멸되고 있다는 것을 모니터 할 수 있습니까? 그게 떨어지는거야? 그리고 다른 분야 중 하나는 활동중인 프로그램에 있습니다 그래서 우리 모두는 우리 조직에 많은 변화를 가져 왔습니다 우리는 새로운 도구 또는 새로운 기술을 얻고 있습니다 또는 새 업그레이드를 수행하거나 운영 체제로 마이그레이션 중입니다

항상 시스템입니다 그리고 이러한 프로그램들은 고객 서비스에 대한 필요성을 더욱 높여줍니다 질문 및 문제 해결의 필요성 그리고 최근에 우리가 가진 그 중 하나는 새로운 T & E 시스템을 구현했습니다 그리고 우리는 정보의 스파이크가 될 것이라는 것을 알았습니다

전화 응답 필요성의 급증 우리가이 새로운 시스템을 구현할 때 그러나 그들이 쉽게 알지 못했던 것은 무엇이 가장 구체적인 이슈였습니까? 문제가 있었나요? 우리는 다음 라운드의 훈련을 어떻게 개선 할 수 있습니까? 사람들이 가지고 있지 않은지 확인하기위한 배포 그 일들에 대해 전화 할까? 시스템의 활성 버그는 무엇입니까? 어쩌면 단지 숙고 된 적이 없었던 초기 구현에서 우리는 다시, 다음 번 배치에 박차를 가할 준비가 되셨습니까? 그래서 우리가 발견 한 것들 중 일부는 대리인 접근이었습니다 모든 사람들은 거대한 스파이크와 사람들이 없었습니다 다른 개인에게 위임하는 방법을 식별 할 수있다 T & E를 처리 할 수 ​​있습니다

그들은 문제가 있었다 지출 영수증을 업로드해야합니다 그들은 또한 복제에 문제가있었습니다 기존 프로필을 새 프로필로 그래서 몇몇은 – 대리인 액세스와 마찬가지로 – 더 나은 FAQ입니다 더 나은 정보를 얻을 수 있습니다

다음 롤아웃을위한 교육 향상 – 프로세스 개선 일부는 다른 기술의 문제점이었습니다 개선이 필요하거나 버그가있다 고정해야했다 그러나 우리는 지금 그것들을 모니터 할 수 있습니다

우리가 뭔가 진짜 일을 알고있다 그리고 그것을 해결할 필요가 있음을 밝힙니다 그럼 그 문 밖에서 바로 우리를 방문하십시오 부스에서 KPMG 우리는 이것에 대해 당신과 더 이야기하고 싶습니다

그리고 Andrea에게 넘겨 줄거야 제네시스는 다음 작품을 통해 우리를 데려 갈 것입니다 [박수 갈채] ANDREA FRIIO : 대단히 감사합니다, 트레이시 안녕 좋은 아침 너와 함께하는 것이 즐겁다

아마 너는 내 그림이 없다는 것을주의했을 것이다 아주 간단한 이유로 프레젠테이션에서 아마 Andrea와 함께 그걸 기대했을거야 멋진 이탈리아 아가씨 멋진 이탈리아 여자 ​​- 나야

미안합니다 우리는 나쁜 소식으로 시작합니다 그러나 좋은 소식으로 시작하자 그래서 먼저, 나는 아주 빨리 선물하고 싶다 누군가 제네시스에 익숙하지 않다면, 다행히 메인 스테이지 데모를 보았습니다

방송 할 수 있다면 제발 내 휴대 전화 Genesys는 고객 경험을 제공하는 선도적 인 솔루션 제공 업체입니다

플랫폼 우리는 인정받는이 선도적 인 역할을 즐깁니다 애널리스트들에 의해 – Forrester, 우리는 [INAUDIBLE]에서 23 번 연속 지명되었습니다 주요 사분면 그리고 우리는 애널리스트들도 비슷한 감사를 느낍니다

Forrester와 Ovum처럼 그러나 특히, 우리는 신뢰를 즐긴다 100 개국에 11,000 명의 고객이 있습니다 우리는 그들을 위해 250 억 달러를 관리합니다 연간 상호 작용

그리고 그것들은 의미있는 상호 작용입니다 그것들은 위의 상호 작용들입니다 세계 100 대 브랜드 중 65 개 브랜드 제네시스 고객입니다 그래서 그것이 우리의 몫입니다 그래서 저는 이제 영업 사원으로서 제 행동을 제거합니다

기술 판매가 될 수 있습니다 우리가 활용하고 싶은 새로운 채널을 보여주고 싶습니다 Google과의 파트너십 덕분입니다 우리가 만든 응용 프로그램을 보여 드리고 싶습니다 Google과 함께 화면에서 봅시다

제네시스 케이트와 이야기하고 싶습니다 GOOGLE ASSISTANT : 테스트 버전 확인 중입니다 제네시스 케이트 KATE : 안녕하세요, 케이트입니다 내가 뭘 도와 드릴까요? ANDREA FRIIO : 무엇을 검색해야합니까? 국제 여행을 계획한다면 어떻게해야합니까? KATE : 신용 카드 액세스가 중단되는 것을 막기 위해, 신용 카드에 대한 여행 경고를 설정해야합니다 여행하는 동안 사용할 계획

온라인 뱅킹을 사용하여 여행 경고를 설정할 수 있습니다 카드 뒷면에있는 전화 번호로 또는 Google 홈에서 GBank 자동 상담원과 대화하여 장치 ANDREA FRIIO : 완벽한 – 우리가 방금 본 것 이것은 새로운 채널입니다 그래서 저는 은행 고객입니다

GBank 사실 제네시스 은행의 은행에 있습니다 – 나는 돈이 없지만 나는 은행이있다 그러나 원하는 고객이있었습니다 자체 은행과 상호 작용할 수 있습니다 소비자로 잠깐 상상해보십시오

당신이 당신의 은행과 이야기하고 싶다면, 당신의 보험은 무엇입니까? 너 그래? 너는 웹상에 간다 전화 번호를 검색합니다 대부분의 경우 전화를 걸 때 그들은 자신이 누구인지 알지 못합니다 또는 그들이 정말로 좋으면, 그들은 당신의 전화 번호 덕분에 알고 있습니다 당신이 부르고있는 사람, 당신이 누구인지

그러나 그들은 당신의 외침의 의도가 무엇인지 모릅니다 이 특별한 경우에, 나는 방금 물었다 제네시스 케이트 (Genesys Kate)와 호황을 누리고 있습니다 마술처럼, 나는 자연어로 어떤 질문을 던질 수있다 완성

흐름 없음 – [INAUDIBLE]에서 엄격한 안내 흐름 없음 꽤 괜찮은데 다른 것을 보자 안녕, 구글

물론 인증이 있습니다 그래서 [INAUDIBLE]을 탐험 해보려고합니다 좋은 생각이 아닙니다 제네시스 케이트와 상담하십시오 제네시스 케이트와 상담하십시오

GOOGLE ASSISTANT : 확인해 보겠습니다 Genesys Kate의 버전 KATE : 안녕하세요, 케이트입니다 내가 뭘 도와 드릴까요? ANDREA FRIIO : 정확한 여행 경고는 무엇입니까? 케이트 (KATE) : 여행 경고를 통해 은행은 거래를 허용합니다 외국에서 이는 허위 경보를 피하는 데 도움이됩니다

ANDREA FRIIO : 이것은 내가 필요한 것입니다 그것을 설정하십시오 케이트 : 너 어떤 나라에 갈거야? ANDREA FRIIO : 저는 프랑스에 가고 싶습니다 KATE : 더 나은 서비스를 제공하기 위해 Google에서 귀하의 이름과 주소를 알아야합니다 그 확인은? ANDREA FRIIO : 네

KATE : 프랑스 여행 경고가 설정되었습니다 ANDREA FRIIO : 지금 무슨 일이 일어나고 있는지 이해합니까? 우리는 뭔가 확인을 얻습니다 일어나고있다 왜이 새로운 채널을 이해합니까? 이것은 완전히 새로운 게임입니다 즉시, 나는 선언 할 필요가 없다? 언제

?] 나는 대화를 할 수 있고 언제 비판적인 정보가 있고, 개인 정보가 검열됩니다 즉시 어떻게됩니까? Google에서이 정보를 전달할 수있는 권한을 요청합니다 Genesys 스택에 저장합니다 따라서 개인 정보는 고객에게 전적으로 부여됩니다 동시에 우리는 믿을 수없는 봉사를하고 있습니다

그리고 물론, 당신은 아마도 또한 우리가 – 우리는 SMS를받은 것으로 나타났습니다 물론 그것이 옵션 이었기 때문에 [INAUDIBLE] 제안, 조치 [INAUDIBLE] 이 프로세스는 고객에게 최고의 경고입니다 이 특별한 경우, 우리는 알렉스에게 여행 알리미를 보게됩니다 프랑스에 대한 설정되었습니다 그게 좋았어

케이트 야 GBank가 해외 여행 보험을 제공한다는 것을 알고 계십니까? 환상적입니다 케이트에게 콜백 일정을 물어보십시오 전혀 어렵지 않지, 그렇지? 그래서이 시점에서 한번 더 생각해 봅시다, Kate 제네시스 케이트와 이야기하고 싶습니다

GOOGLE ASSISTANT : 확인해 보겠습니다 Genesys Kate의 버전 케이트 : 안녕하세요, 케이트입니다 내가 뭘 도와 드릴까요? ANDREA FRIIO : 다시 전화 해 KATE : 더 나은 서비스를 제공하기 위해 Google에서 귀하의 이름과 주소를 알아야합니다 그 확인은? ANDREA FRIIO : 네

KATE : 너를 바로 부른다 ANDREA FRIIO : 이제 무대에 올거라 구요, 제 동료 Joseph [INAUDIBLE] 한 화면에 넣을 수 있다면 요원 나는 한 번 더 무슨 일이 있었는지 강조하고 싶다 우리는 고객이 누구인지에 대한 정보를 전달했습니다

플랫폼은 Google이 보조금을 지급 한 후, 즉시 새 고객에게 질문하지 않고 고객에게 전화 할 수 있습니다 질문 – 어떤 형태로, 어디서 전화해야합니까? 자동으로 전달 된 Google API 덕택입니다 이 시점에서 발신자는 상담원이 서비스를 제공합니다 그래서 우리가 시장에 준비가 되 자마자 화면에 조 (Joe)가 있다면, 물론 전화와 대화를 받게 될 것입니다 물론 마이크를 부착 할 것입니다

[알아들을 수 없는] KATE : 콜백을 요청한 사람이 통화 중입니다 하나를 눌러 고객 서비스 담당자에게 이야기하십시오 고객 서비스 담당자에게 연결 잠시만

[음악 재생] 전화가 왔어 그리고 지금이 시점에서 – 물론, 내 마이크를 풀어 줘 이제 대화 조수가 너를 화면의 톱을 시작할 수 있습니다 그래서 당신이이 프리젠 테이션을 즐겼기를 바랍니다 이것은 분명히 고객 경험의 새로운 얼굴입니다

너에게로 돌아가, Daryush [박수 갈채] DARYUSH LAQAB : Andrea, Ofer, Traci, and Josh 고맙습니다 고맙습니다 제발, 소리와 비디오 승무원에 대한 박수 라운드 [박수 갈채] 그래서이 시계는 제게 몇 분 남았음을 알려줍니다

귀하의 질문을 기꺼이 받아 드리겠습니다 하지만 우리는이 방에서 쫓겨나고있다 그래서 우리는 밖에 서 당신을 만날 것입니다 우리는 당신과 채팅하게되어 기쁩니다 그리고 그걸로, 모두들 고마워요

[음악 재생]