How to Use AI to Find A Job (5 Steps from Google Executive 2018)

무슨 일이야? 오늘, 내 손님은 리차드 리우 8 년간 Google에서 근무했습니다 다양한 프로젝트에서 그곳에있는 동안 그는 여러 부서에서 500 명이 넘는 직원을 고용했습니다

그는 구글을 떠나 자신의 leapai라는 직업 검색 플랫폼 인공 지능과 기계 학습을 사용하는 10 배 쉽고 10 배 빠르게 검색 그래서이 비디오에서 우리는 당신이 AI를 어떻게 사용할 수 있는지 이야기 할 것입니다 더 나은 직업이나 새로운 직장을 찾으려면 헤이 무슨 일이야? 오늘 나는 리처드를 얻었다 Leapai의 CEO 겸 공동 창업자 AI를 사용하여 직업을 찾는 새로운 플랫폼 새로운 직업을 찾는 것뿐만 아니라 AI Career Advisor입니다

그래서 오늘 그는 우리에게 말할 것입니다 AI를 사용하여 직업을 얻는 5 단계 당신이 도약 할 때 그것은 매우 쉽습니다 귀하의 이력서를 업로드하십시오 AI의 많은 주장이 AI를 가지고 있지만 작동하지 않는다고 주장하기 때문입니다 우리는 당신이 잠시 기다리도록 내버려 두지 않을 것이다

이력서가 업로드되면 즉시 이력서만으로 알려드립니다 어느 회사가 당신에게 적합한 지 물론, 당신은 "나는 나의 이력서 이상이다"라고 말할 것입니다 "내 이력서만으로는 충분하지 않습니다" 여기에 할 수있는 추가 작업이 있습니다 열정을 설명하는 몇 가지 질문에 답하십시오

당신은 무엇을 소중하게 생각합니까? 어떤 산업에 열정을 갖고 있습니까? 어떤 유형의 기능을 원하십니까? 당신의 경력은 당신의 열정에 관한 것이 아니라 당신이 정말로 잘하는 것을 바탕으로합니다 당신의 비밀의 강점은 무엇입니까? 우리는 몇 가지 질문을 가지고있다 당신이 정말로 잘하는 것을 포착하려고 노력하는 것, 당신의 최고 기술은 무엇입니까? 친구에게 자신의 강점과 기술에 대해 의견을 말하도록 초대 할 수도 있습니다 환경 설정 지정 타임 라인, 위치 또는 이러한 유형의 것 완료되면 즉각적으로 AI가 당신에게 맞는 경기를 알려줍니다 당신이 누구인지에 따라 회사가 찾고있는 것을 기반으로합니다

우리는 당신이이 회사를 추구해야하는 이유를 말해줍니다 더 많은 사용자를 확보 할 수있는 진정한 기계 학습 플랫폼 플랫폼이 더 스마트 해지고, 당연하지 내가 지적하고 싶은 몇 가지 많은 사람들이 AI를 모집에 사용했다고 주장합니다 대부분은 그들의 결과를 신참자에게 제시한다 우리는 세계에서 단 하나 뿐이다 결과를 소비자에게 직접 제공 우리는 그것을 실시간으로한다

그래서 나는 누군가가 당신에게 수동으로 결과를 줄 수있는 방법이 없음을 의미합니다 우리는 제품을 출시했고 많은 피드백을 받았습니다 예, 저는 어떤 플랫폼도 지명하지 않을 것이라고 생각합니다 나는 그것이 "태그"사물과 같기 때문에 기계 학습이라고 질문하고 그것을 부른다 예를 들어, 데이터 과학을 이력서에 넣으면 그러면 데이터 과학 순위를 보여줄 것입니다

그것은 정말로 데이터 과학이라고 들립니다 당신은 단지 단어를 복사하고 이력서에 기초한 검색을합니다 플랫폼이 다른 이유는 무엇입니까? 기술이 어떻게 작동하는지 이야기 해 주시겠습니까? 기계 학습에 관심이 많은 채널을 시청하는 사람들이 많습니다 그리고 나는 그들이 조금 호기심을 느낄 것이라고 생각한다 그것을 지나치게 복잡하게하지 마라

누군가를 위해 부셔 라 어쩌면 당신은 친구와 가진 저녁 식사를 먹고 있습니다 그리고 당신은 어떻게 뛰어 오르는 지 설명하고 싶습니다 ai 그 품질 일치를 찾습니다 어떻게 그들을 부숴 버릴거야? 우리 모델을 보면 3 개의 레이어가 있습니다 첫 번째 계층은 이력서를 이해하려고 노력하는 것입니다

두 번째 레이어는 이력서의 의미를 더 깊이 이해하려고 시도합니다 당신의 경력 궤적은 어떻습니까? 빠르게 성장 했나요? 꽤 느린 감동 이었나요? 당신은 기계 학습에 종사하고, 하위 계층, 인프라 또는 응용 프로그램에서 작업합니다 또는 다른 사람의 패키지를 사용하는 사용자 일뿐입니다 우리는 당신이 특정 지역에 얼마나 깊이 있는지 파악할 수 있도록 이해하려고 노력합니다 당신의 경력 궤도가 얼마나 좋은지 세 번째 레이어는 최종 학습 시스템입니다

우리는 많은 데이터를 가지고있다 이력서에 관해서, 당신의 열정에 대해 너의 힘, 너의 특혜 그런 다음 데이터를 통합합니다 그런 다음 모델과 일치시킵니다 그런 다음 어느 회사가 가장 적합한 지 알려줍니다 굉장해! 나는 그것이 너무 큰 쇠약과 간결하다고 생각합니다

또한 나는 집에서 누군가가 듣는 것이 아주 간단하다고 생각한다 이해할 수있다 그래서 인공 지능을 사용하고 싶다면 구직 검색을 10 배, 10 배 더 쉽게 할 수 있습니다 나는 아래의 설명에 leapai에 대한 링크를 포함시켰다

확인해 봐 사용하기 매우 쉬운 직업 검색 플랫폼입니다 그리고 당신이 도약을 통해 일을하게된다면, 도약은 500 달러를 지불 할 것입니다 플랫폼을 통해 직업을 얻는 것에 축하를 전합니다 하지만 500 달러를 얻기 위해 매스 링크를 사용해야합니다

우리가 공동 작업을하기 때문에 리차드가 손님이되어 주셔서 감사합니다 누군가가 도약을 어떻게 사용할 수 있는지 우리에게 설명해 주었다 더 나은 직업 검색 및 나는 생각한다 AI 기술이 미래에 우리를 어떻게 이끌어 내는지 많은 사람들이보고 있습니다 이것은 흥미 진진한 용도 중 하나입니다

이봐, 네가 Richard와의 인터뷰를 즐겼 으면 좋겠다 그는 Google에서 고위 간부직을 맡았습니다 회사를 시작하는 방법 Leapai 그리고 그것은 일자리를 찾는 paltform AI를 사용하여 직업 검색을 10 배, 10 배 빠르게 만듭니다 그것은 첫 번째 직업 검색 플랫폼입니다 AI를 사용하면 사용자로부터 더 많은 데이터를 수집 할 때 정확 해집니다

그래서 나는 특별히 leapai와의 협상을 협상했다 내 링크를 사용하여 플랫폼에 가입하는 경우 leapai는 직장에 착륙 한 후 $ 500를 줄 것입니다 그래서 당신이 기술 분야에서 다음 일을 할 준비가 되었다면 설명에 내 링크를 사용하여 leap

ai에 가입하십시오

Now create your own AI Assistant with few simple steps!

안녕하세요 여러분, 다른 동영상을 환영합니다, 내 이름은 Kunal이며 오늘은 어떻게 보여줄 것인가? 자신의 AI 길잡이를 만드십시오 따라서 2016 년부터 가상 조수 (virtual assistant)에 관한 많은 소문이 생기고 많은 기업 Google Assistant, Siri, Amazon Alexa 및 Cortana와 같이 자체 개발했습니다

그러나 응용 프로그램에서 응용 프로그램을 사용하려는 개발자를 위해 Google은 Dialogflow라는 플랫폼을 사용하고 있습니다 이 비디오가 끝날 때까지 붙어 있다면 AI 통합 방법을 알려줄 것입니다 웹 사이트의 비서 시작하자 먼저 www

dialogflowcom으로 가야합니다 그런 다음 goto console을 클릭하십시오 gmail ID로 로그인하면 갈 수 있습니다 이제 에이전트 생성을 클릭하십시오

그러면 에이전트의 이름을 입력해야하는 페이지가 열리 며 표준 시간대 및 기본 언어 오른쪽 상단에있는 만들기 버튼을 클릭하십시오 몇 초가 걸릴 것입니다 오른쪽에는 "지금 시도"텍스트 상자가 표시됩니다 그러나 에이전트에게 질문을하면 에이전트가 훈련되지 않았기 때문에 응답하지 않습니다

왼쪽으로 스크롤하면 작은 대화라고하는 것이 있습니다 이제는 상담원에게 응답 할 수 있도록 능력을 추가하는 데 사용됩니다 작은 토크를 사용하려면 그냥 활성화해야합니다 간단히하기 위해 질문에 대한 응답을 추가 할 것입니다 원하는 경우 에이전트를 더 잘 만들 수있는 항목을 더 추가 할 수 있습니다

완료를 클릭하면 응답이 저장됩니다 이제 에이전트를 테스트하고 응답합니다 완전한 기능을 갖춘 에이전트가 왼쪽으로 스크롤하여 통합을 클릭하면 웹 데모에서 설정을 클릭하고 사용 설정하면 에이전트의 URL이 표시됩니다 그것에 당신이 다른 페이지로 안내합니다 에이전트를 테스트 할 수있는 곳 No는 "Hi"와 같은 것을 발사 할 수 있습니다

랩탑이나 데스크탑 마이크를 사용하여 음성을들을 수 있습니다 명령 AI 길잡이를 웹 사이트에 통합하려는 경우 기사 링크를 제공했습니다 AI 작성 단계를 찾을 수있는 설명 웹 사이트에 AI Assitant를 삽입하고 나를 믿을 수있는 방법을 설명하는 섹션 그것의 매우 간단하고 우리는 매우 tweeting하여 자신의 버전을 볼 드리겠습니다 @RikkandKikk에 그래서이 비디오를 즐긴다면 버튼처럼 부숴 버리고 채널에 가입하십시오

알림 벨을 눌러 비디오를 놓치지 않도록하십시오 그리고 나는 너를 다음 번에 볼거야

The 7 Steps of Machine Learning

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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