Google aims to power up Korean homes with smart speaker, stirring local competitors

Google은 AI 전원 스마트 스피커를 위해 한국어 서비스를 공식 출시했습니다 장치가 다른 시장에서 밝혀진 지 2 년 후에 그들은 경쟁에 뛰어 들고 있지만

IT 거대 기업이 서울의 경쟁 업체를 인수 할 준비가 된 것 같아 보인다 수영은 그 이유를보다 깊게 파헤친다 Google 홈은 조만간 AI를 제공하여 한국 가정에 진출 할 예정입니다

현지 언어로 된 연사 서비스 세계적인 IT 거대 기업인 화요일 (현지 시간) 한 달 전에 한국어 서비스를 공개했다 선반에 부딪쳤다 "현재 세계 시장에서 2 위를 차지하고 있습니다 아마존의 Alexa 이후 Google Assistant 이 기대되는 발사와 더불어 한국에서 꽤 튀어 나오게 할 것으로 예상됩니다

구글이 AI 스피커를 세계의 다른 지역에서 처음 발표 한 지 2 년 후에 나온 것이다 " 잃어버린 시간을 만회 할 준비가되어 있습니다 음악을 스트리밍하는 것과 같은 일반적인 음성 제어 AI 기능 외에도 불빛을 어둡게합니다 Google은 전 세계적으로 사용되는 풍부한 데이터 및 플랫폼을 활용합니다 차별화 된 서비스를 제공합니다 "휴대 전화, 집, 심지어 Android를 통해 운전하는 동안에도 사용할 수 있습니다 자동 동시에 두 가지 언어를 사용할 수 있습니다

Google Homewill은 귀하가 말하는 언어를 알고 그 언어로 답합니다 또한 귀하의 목소리를 이해하고 귀하가 누구인지 알기 때문에 우리는 누구를 기반으로 대답을 제공합니까? 너는" AI 스피커 분야에서 가장 큰 시장 중 하나 인 한국은 전 세계적으로 2018 년 1/4 분기 매출액 스마트 스피커가 설치되면서 수요가 더욱 늘어날 것으로 예상됩니다 이 나라에서 올해는 3 백만 배로 늘어났습니다

이제 한국 서비스 개시에 따라 Google은 현지 기업을 탈퇴 할 수있는 좋은 위치에 있습니다 삼성, 네이버, 카카오 등 데이터베이스의 규모가 큽니다 그 나라의 스마트 폰 중 90 퍼센트가 회사의 안드로이드 플랫폼 전문가들은 한국 기업들이 보유 할 현지화 된 서비스와 콘텐츠를 개발해야한다고 말한다 그들의 호소

"Google은 세계 최고 검색 엔진이지만 Naver와 같은 현지 포털이 가장 많이 사용됩니다 한국에서 Google은 빠른 속도를 요구하는 한국 소비자의 다양한 요구에 신속하게 대응할 수 없습니다 서비스 그래서 그걸 반영하는 더 많은 서비스를위한 잠재력이 있습니다

현재뿐만 아니라 음식 배달 및 언어 학습 서비스를 제공합니다 " LG와 SK의 핵심 기술을 개발하고있는이 전문가는 또한 강조했다 기업이 음성 인식을 향상시키고 처리 속도를 향상시킬 필요성 정확한 서비스,

경쟁이 예상보다 더 강해질 것으로 예상되기 때문에 미래 오수영, 아리랑 뉴스

Google aims to power up Korean homes with smart speaker, stirring local competitors

Google은 AI 전원 스마트 스피커를 위해 한국어 서비스를 공식 출시했습니다 장치가 다른 시장에서 밝혀진 후 2 년 후에 출시 될 예정이지만

IT 거대 기업이 서울의 경쟁 업체를 인수 할 준비가 된 것 같아 보인다 수영은 완전한 이야기를 가지고있다 Google 홈은 조만간 AI를 제공하여 한국 가정에 진출 할 예정입니다

현지 언어로 된 연사 서비스 세계적인 IT 거대 기업인 화요일 (현지 시간) 한 달 전에 한국어 서비스를 공개했다 선반에 부딪쳤다 "현재 세계 시장에서 2 위, 아마존의 Alexa 이후 Google Assistant 이 기대되는 발사와 더불어 한국에서 꽤 튀어 나오게 할 것으로 예상됩니다 구글이 AI 스피커를 세계의 다른 지역에서 처음 발표 한 지 2 년 뒤에 나왔다 " 잃어버린 시간을 만회 할 준비가되어 있습니다 음악을 스트리밍하는 것과 같은 일반적인 음성 제어 AI 기능 외에도 불빛을 어둡게합니다

Google은 전 세계적으로 사용되는 풍부한 데이터 및 플랫폼을 활용합니다 차별화 된 서비스를 제공합니다 "휴대 전화, 집, 심지어 운전 중에도 사용할 수 있습니다

동시에 두 가지 언어를 사용할 수 있습니다 그것은 또한 당신의 목소리와 당신이 누구인지를 이해하므로 우리는 누구를 기반으로 대답을 제공합니까? 아르" AI 스피커 분야에서 가장 큰 시장 중 하나 인 한국은 전 세계적으로 2018 년 1/4 분기 매출액 스마트 스피커가 설치되면서 수요가 더욱 늘어날 것으로 예상됩니다 이 나라에서 올해는 3 백만 배로 늘어났습니다

이제 한국 서비스 개시에 따라 Google은 현지 기업을 탈퇴 할 수있는 좋은 위치에 있습니다 삼성, 네이버, 카카오 등 데이터베이스의 규모가 큽니다 그 나라의 스마트 폰 중 90 퍼센트가 회사의 안드로이드 플랫폼 전문가들은 한국 기업들이 보유 할 현지화 된 서비스와 콘텐츠를 개발해야한다고 말한다 그들의 호소

"Google은 세계 최고 검색 엔진이지만 Naver와 같은 현지 포털이 가장 많이 사용됩니다 한국에서 Google은 빠른 속도를 요구하는 한국 소비자의 다양한 요구에 신속하게 대응할 수 없습니다 서비스 그래서 그걸 반영하는 더 많은 서비스를위한 잠재력이 있습니다

현재뿐만 아니라 음식 배달 및 언어 학습 서비스를 제공합니다 " LG와 SK의 핵심 기술을 개발하고있는이 전문가는 또한 강조했다 기업이 음성 인식을 향상시키고 처리 속도를 향상시킬 필요성 정확한 서비스,

경쟁이 예상보다 더 강해질 것으로 예상되기 때문에 미래 오수영, 아리랑 뉴스

Bringing AI and machine learning innovations to healthcare (Google I/O ’18)

[음악 재생] 릴리 펭 : 안녕 모두들 내 이름은 릴리 펭이야

나는 의사로서 훈련을하고 있으며 나는 Google 의학에 종사하고있다 잘, Google 인공 지능 건강 관리 팀 저는 제품 매니저입니다 그리고 오늘 우리는 몇 가지 프로젝트에 대해 이야기 할 것입니다 우리 그룹에서 우리가 해왔 던 그래서 처음에는, 당신이 많은 것을 얻을 것이라고 생각합니다

그래서 나는 이것을 너무 많이 지나치지 않을 것입니다 그러나 우리는 깊은 학습을 적용하기 때문에 의료 정보에, 나는 원하는 종류의 조금만 사용되는 몇 가지 용어를 정의하는 것 그러나 다소 불충분하게 정의됩니다 그래서 처음으로, 인공 지능 – 이것은 꽤 광범위한 용어이며 그 거대한 프로젝트를 포함합니다 비인간적 인 지능을 구축한다 기계 학습은 특별한 유형입니다 인공 지능에 대해서, 그것은 더 똑똑해질 수있는 기계를 가르치고 있습니다

그리고 깊은 학습은 특별한 유형입니다 너희들 기계 학습의 아마 꽤 많이 들었고 꽤 많이 들었습니다 우선 무엇보다 깊은 학습이란 무엇입니까? 그래서 인공 신경 네트워크의 현대 환생입니다 실제로 1960 년대에 발명되었습니다 그것은 조직 된 단순한 훈련 가능한 단위의 모음입니다 레이어에서

그리고 그들은 함께 작업하여 복잡한 작업을 해결하거나 모델링합니다 따라서 일반적으로 데이터 세트가 작고 계산이 제한적일 경우, 우리가 1980 년대와 90 년대에 가진 것입니다 일반적으로 다른 접근 방식이 효과적입니다 그러나 더 큰 데이터 세트 및 더 큰 모델 크기 더 많은 컴퓨팅 성능을 제공한다면, 우리는 신경 네트워크 훨씬 더 잘 작동합니다 실제로 두 가지 테이크 아웃이 있습니다

너희들이이 슬라이드에서 나가길 바란다 하나는 깊은 학습 열차 알고리즘입니다 충분한 데이터가 주어지면 매우 정확합니다 두 가지, 깊은 학습이 이것을 할 수 있습니다 기능 공학없이 그리고 그것은 명시 적으로 규칙을 쓰지 않고 의미합니다 그럼 그게 무슨 뜻이야? 글쎄, 전통적인 컴퓨터 비전에서, 우리는 규칙을 쓰는 데 많은 시간을 할애한다

특정 예측 작업을 수행하기 위해 기계가 따라야한다는 것을 의미합니다 길쌈 신경 네트워크 (convolutional neural networks) 우리는 실제로 기능에 거의 시간을 소비하지 않습니다 이러한 규칙을 작성하고 작성합니다 우리가 데이터 준비에 소비하는 대부분의 시간 수치 최적화 및 모델 아키텍처 그래서 나는이 질문을 꽤 많이 받는다

그리고 문제는 얼마나 많은 데이터가 충분한 데이터인지입니다 깊은 신경 네트워크? 일반적으로 더 많은 것이 좋습니다 그러나 특정 시점을 넘어선 수익이 감소하고 있습니다 일반적인 경험 법칙은 클래스 당 약 5,000 개의 긍정적 인 것을 좋아합니다 그러나 중요한 것은 좋은 관련 데이터입니다

쓰레기통에, 쓰레기통 이 모델은 예측하기 위해 무엇을 요구 하는지를 매우 잘 예측합니다 그래서 당신이 기계 학습을 어디에서 생각하는지, 특히 깊은 학습은 가장 큰 영향을 미칠 수 있습니다 실제로 장소에 있습니다 살펴볼 많은 데이터

우리 이사 중 한 명인 Greg Corrado가 최선을 다합니다 깊은 학습은 당신이 해낸 일에 정말 좋습니다 시간, 그리고 10,001 번째 시간에, 당신은 단지 그것의 아플 뿐이에요 더 이상하고 싶지 않아 그래서 이것은 검진에서 건강 관리에 정말 좋습니다

많은 환자를 볼 수있는 응용 프로그램 잠재적으로 정상입니다 전문 기술이 제한되어있는 곳에서도 좋습니다 오른쪽에 그래프가 나타납니다 세계 각국의 방사선과 의사 부족의 부족 그리고 이것은 다른 의학 전문 분야에도 해당됩니다

그러나 방사선과 의사가 여기 있습니다 그리고 우리는 근본적으로 의료 전문 지식의 세계적 부족을 봅니다 그래서 심사 신청 중 하나 우리 그룹이 당뇨병 성 망막증을 앓고 있습니다 더 쉽기 때문에 우리는 이것을 DR이라 부릅니다 당뇨병 성 망막증보다

그리고 예방 가능한 실명의 가장 빠른 성장 원인입니다 당뇨병 환자는 모두 4 억 5 천만 명에 달합니다 1 년에 한 번 상영됩니다 이것은 뒤의 사진을 찍음으로써 이루어진다 특별한 카메라로 눈의 모습을 볼 수 있습니다

그리고 그림은 그 것처럼 조금 생겼습니다 의사가 이런 이미지를 얻을 때 의사가하는 일 질병없이 1에서 5 단계로 등급을 매기 는가, 건강하고, 질병을 번식시키고, 그것은 마지막 단계입니다 그리고 그들이 등급을 매길 때, 때로는 매우 미묘하게 보입니다 결과, 미세 동맥류라고하는 작은 것들 그것은 눈의 혈관에 outpouchings입니다 그리고 그것은 당뇨병이 얼마나 안 좋은지를 나타냅니다

당신의 비전에 영향을 미치고 있습니다 그래서 불행히도 세계의 많은 지역에서, 이 일을하기에 안과 의사가 충분하지 않습니다 그래서 인도에있는 한 파트너와 함께, 또는 실제로 인도에있는 우리의 파트너 몇, 전국에 127,000 명의 안과 의사가 부족합니다 결과적으로 환자의 약 45 % 질병이 감지되기 ​​전에 시력 손실의 일종을 겪는다 네가 회상 한대로이 질병이 완전히 예방할 수있었습니다

다시 한번 이것은 일어나서는 안되는 것입니다 그래서 우리가하기로 결심 한 것은 우리가 파트너가 된 것입니다 인도에 몇 군데 병원을두고, 미국의 선별 서비스 제공 업체입니다 그리고 우리는이 첫 번째 시도에 대해 약 130,000 개의 이미지를 얻었습니다 우리는 54 명의 안과 의사를 고용하고 라벨링 도구를 만들었습니다

그리고 54 명의 안과 전문의는 실제로 이 스케일에서이 이미지의 등급을 매겼는데, DR에서 증식으로 흥미로운 점은 실제로 의사가 이미지를 호출하는 방법에 약간의 변동성이 있습니다 그래서 우리는 실제로 약 880,000 건의 진단을 받았습니다 이 레이블이 지정된 데이터 세트를 사용하여 알려진 콘볼 루션 신경망 이것은 시작이라고합니다

나는 너희들 중 많은 사람들이 그것에 익숙하다고 생각한다 일반적으로 사진 앱을 위해 고양이와 개를 분류하는 데 사용됩니다 또는 다른 검색 애플 리케이션을 위해 그리고 우리는 그저 안저 영상을 재사용했습니다 그래서 우리가 배운 다른 것 우리가이 일을하는 동안 그게 정말 유용했던 동안 이 5 점 진단, 그것은 또한 믿을 수 없을만큼 의사에게 유용하다

이미지 품질과 같은 하우스 키핑 예측에 대한 피드백, 이것이 왼쪽 눈인지 오른쪽 눈인지, 또는 이것이 망막의 어느 부분인지 알 수 있습니다 그래서 우리는 그것을 네트워크에도 추가했습니다 그럼 얼마나 잘하는거야? 이것이 우리 모델의 첫 번째 버전입니다 우리가 2016 년 의학 저널에 발표 한 내용은 제가 믿습니다 여기 왼쪽에는 차트가 있습니다

총계에있는 모형의 성과의 약 10,000 개 이상의 이미지 민감도는 y 축에 있고, 1 마이너스 특이성 x 축에있다 감도는 시간의 백분율입니다 환자가 질병에 걸렸다면 그 모델이 그 질병을 부르고 있었을 때, 맞았습니다 그리고 특이성은 비율입니다

모델에 질병이없는 환자들 또는 의사가 옳았다 그리고 당신은 뭔가를 원한다는 것을 알 수 있습니다 높은 민감도와 높은 특이성을 지니고 있습니다 그리고 위아래로 – 또는 위로 그리고 왼쪽으로 좋다 그리고 차트에서 여기를 볼 수 있습니다

작은 점들이 그 의사들이라고 동일한 세트를 채점하고있었습니다 그래서 우리는 의사와 매우 가까워졌습니다 그리고 이들은 보드 인증을받은 미국의 의사들입니다 그리고 이들은 안과 의사, 일반 안과 의사들입니다 훈련으로

사실 F 점수를 보면 감도와 특이성의 결합 된 척도이며, 우리는 중앙 안과 전문의보다 조금 나아졌습니다 이 특별한 연구에서 그래서 그 이후로 우리는 모델을 향상 시켰습니다 그래서 작년에 약 2016 년 12 월 우리는 일종의 동위에 있었다 일반인들과

그리고 올해는 – 이것은 우리가 발행 한 새로운 논문입니다 우리는 실제로 망막 전문가를 사용했습니다 이미지를 채점하기 위해 그래서 그들은 전문가입니다 우리는 또한 그들이 동의하지 않을 때 논쟁하도록했습니다

진단이 뭔지에 대해서 그리고 우리는 모델을 언제 사용 하는지를 볼 수 있습니다 그 사실을 근거로 모델은 매우 잘 예측했습니다 게다가 올해 우리는 일종의 동위에 있습니다

망막 전문가와 그리고이 가중 카파는 단지 5 수준의 합의 그리고 본질적으로 우리는 안과 의사와 망막 사이의 일종 사실 전문가들 사이에 망막 전문가 우리가 작업 해 왔던 또 다른 일 모델을 개선하는 것을 넘어서 실제로는 네트워크를 설명하려고 애쓰다 그것이 어떻게 예측을하고 있는지 다시 한번, 연극이나 연극을 가져 가라

소비자 세계의 플레이 북에서, 우리는 show me where라는 기술을 사용하기 시작했습니다 그리고 이것은 이미지를 사용하는 곳입니다 실제로 열 화상지도를 생성합니다 관련 픽셀은이 특정 예측을위한 것입니다 그래서 여기 포메라니스트의 그림을 볼 수 있습니다

그리고 히트 맵은 거기에 당신을 보여줍니다 포메 라니아 사람의 얼굴에있는 무언가이다 그것은 Pomeranian-y를 보게합니다 그리고 여기 오른쪽에는 아프간 인의 사냥개가 있습니다 그리고 네트워크는 아프간 인 사냥개를 강조했다

그래서 이와 비슷한 기술을 사용하여, 우리는이를 안저 이미지에 적용했다 우리가 말했지, 어디 있는지 보여줘 이것은 가벼운 질병의 경우입니다 그리고 나는 가벼운 질병이라고 말할 수 있습니다 왜냐하면 – 잘, 그것은 나에게 완전하게 정상적으로 보인다

나는 거기에 어떤 질병이 있다고 말할 수 없다 하지만 고도로 숙련 된 의사라면 미세 동맥류 라 불리는 작은 것을 골라 낼 수있다 녹색 지점이있는 곳 다음은 중등도의 질병 사진입니다 그리고 이것은 당신이 볼 수 있기 때문에 조금 더 나쁩니다

여기 끝에 약간의 출혈 그리고 실제로 나는 신호 할 수 있는지, 하지만 거기에 피가 나옵니다 그리고 열지도 – 히트 맵이 있습니다 출혈을 일으킨다는 것을 알 수 있습니다 그러나이 이미지에는 두 가지 유물이 있습니다

그래서 작은 얼룩처럼 먼지가 있습니다 그리고이 작은 반사가 있습니다 이미지의 중간에 그리고 당신은 그 모델이 근본적으로 그것을 무시합니다 그럼 다음은 뭐니? 우리는 모델을 훈련 시켰습니다

우리는 다소 설명 할 수 있음을 보여주었습니다 우리는 그것이 올바른 일을한다고 생각합니다 무엇 향후 계획? 음, 우리는 실제로 의료 시스템에 이것을 배치해야합니다 우리는 의료 공급자와 제휴하고 있습니다 그리고 회사는이를 환자에게 제공해야합니다

실제로 제게 메가 박사님, 누가 저를 대담하게 말할 것입니까? 이 노력에 대해 좀 더 자세히 설명 할 것입니다 그곳에 그래서 심사 신청서를 제출했습니다 그리고 여기 진단의 응용이 있습니다 우리가 작업하고있는 그래서이 특별한 예에서 우리는 질병에 대해 이야기하고 있습니다

우리는 유방암에 대해 이야기하고 있습니다 그러나 우리는 유방암의 전이에 대해 이야기하고 있습니다 근처 림프절로 따라서 환자가 유방암 진단을 받았을 때 원발성 유방암이 제거되면, 외과의 사는 밖으로 약간 시간을 보낸다 우리가 림프절이라고 부르는 것을 조사 할 수 있도록 유방암이 전이되었는지 아닌지보기 그 노드들에게 그리고 그것은 환자를 어떻게 대하는가에 영향을 미칩니다

이 림프절을 읽는 것은 쉬운 일이 아닙니다 그리고 실제로 그들이 돌아올 때의 생체 검사의 약 24 % 그들을보기 위해, 24 %는 마디 상태의 변화를 가지고 있었다 이는 긍정적 인 경우 부정적인 것으로 읽음을 의미합니다 그리고 그것은 음성적이었고, 긍정적이었습니다 그래서 그것은 정말로 큰 문제입니다

4 분의 1에요 흥미로운 점은 다른 연구 결과에 따르면 무한한 시간을 가진 병리학 자, 실제로 데이터에 압도 당하지 않았다 매우 민감하기 때문에 94 %의 감수성 종양 환자에게 시간 제약을 가하면, 그들의 감수성 – 또는 미안, 공급자에, 병리학 자에게는 감도가 떨어집니다 그리고 사람들은 내려다보기 시작할 것입니다

거의 전이가 없을 수도 있습니다 그래서이 그림에 바로 거기에 작은 전이가 있습니다 그리고 그것은 보통 놓친이 작은 것들입니다 많은 정보가 주어지면 놀랍지도 않습니다 각 슬라이드에 있습니다

따라서 이러한 슬라이드 중 하나가 디지털화 된 경우, 약 10 기가 픽셀입니다 그리고 그것은 말 그대로 건초 더미에있는 바늘입니다 흥미로운 점은 병리학 자들이 실제로 그들이 자신의 모든 시간을 보면서 암의 73 %를 찾는다 슬라이드마다 오진 (false positive)이 발생합니다 그래서 우리는이 작업을 도울 수있는 모델을 교육했습니다

실제로 암 병변의 약 95 %를 찾습니다 슬라이드 당 8 개의 가양 성이 있습니다 그래서 이상적인 시스템은 분명히 하나입니다 모델을 사용하여 매우 민감하지만 매우 구체적입니다 병리학자를 실제로 훑어 보는 것에 의존하는 거짓 긍정 (false positive)과 오탐 (false positive)이라고합니다 그래서 이것은 매우 유망하며 우리는 지금 클리닉에서 유효성 검사를하고 있습니다

독자 연구의 관점에서, 이것이 실제로 어떻게 의사와 상호 작용하는 것은 정말로 중요합니다 그리고 분명히 다른 조직에 응용할 수 있습니다 나는 림프절에 관해 이야기했지만 초기 연구가있었습니다 실제로 이것은 전립선 암에서 효과가 있음을 보여줍니다 글리슨 그레이딩에 대해서도 마찬가지입니다 그래서 이전 예제에서 우리는 말했습니다

얼마나 깊이있는 학습이 매우 정확합니다 그리고 그들은 의사가 이미 만들었던 전화를하는 경향이 있습니다 그러나 의사가 현재하지 않는 것들을 예측하는 것은 어떨까요? 이미징에서 할거야? 그래서 당신이 이야기의 처음부터 기억하고 있듯이, 깊은 학습에 대한 위대한 것들 중 하나 매우 정확한 알고리즘을 훈련시킬 수 있다는 것입니다 명시 적으로 규칙을 작성하지 않아도됩니다 그래서 우리는 완전히 새로운 발견을 할 수 있습니다

그래서 왼쪽 그림은 종이에서 나온 그림입니다 우리가 최근에 출판 한 다양성을 예측하는 훈련 된 심층 학습 모델 의 심혈관 위험 요인 여기에는 나이, 자기보고 섹스, 흡연 상태, 혈압, 일반적으로 의사들 환자의 심장 혈관 위험을 평가하기 위해 지금 고려해보십시오 적절한 치료 권고를하십시오 그래서 우리는 우리가 이러한 요소 중 많은 것을 예측하고, 매우 정확하게, 실제로 5 년 위험을 직접 예측할 수 있습니다

심장 사건의 그래서이 연구는 아주 일찍, 정말 폐활 적이었고, 이 예측을위한 AUC는 07이다 이 숫자가 의미하는 것은 두 장의 그림이 주어지면 심혈관 사건이없는 환자의 사진 그리고 한 환자의 사진은 약 70 % 그 시간의 대부분의 의사들은 약 50 %의 시간을 보냈고, 그것은 무작위 적이기 때문에 – 마치 혼자 망막 이미지를 기반으로하기가 어렵습니다 그렇다면 왜 이것이 흥미로운가? 일반적으로 의사가 시도 할 때 심혈관 질환 위험을 평가하기 위해, 관련된 바늘이 있습니다

그래서 나는 누군가가 혈중 콜레스테롤을 섭취했는지 모른다 상영 전에 밤에 금식하고 혈액 샘플을 가져가 그런 다음 위험을 평가합니다 다시 한번, 저는 이것이 정말로 초기에 있다는 것을 강조하고 싶습니다

그러나 이러한 결과는 아이디어를 뒷받침합니다 우리가 뭔가를 사용할 수 있을지도 몰라 우리가 할 수 없었던 새로운 예측을하기 위해 이미지처럼 전에 만들어라 그리고 이것은 정렬로 수행 될 수 있습니다 비 침습적 인 방식으로

그래서 몇 가지 예를 들어 보았습니다 세 가지 예가 있습니다 얼마나 깊은 학습이 실제로 두 가지 가용성을 증가시킬 수 있는지 건강 관리의 정확성 그리고 내가 원하는 종류의 것들 중 하나 이것이 여기에있는 이유가 여기에 있음을 인정하십시오 TensorFlow는 점점 더 흥미 진진합니다

오픈 소스입니다 일반적인 기계 학습에서 이런 종류의 개방형 표준 어디서나 적용되고 있습니다 그래서 저는 Google에서 한 일의 예를 들었습니다 커뮤니티 전체에서 수행되는 많은 작업이 있습니다 매우 유사한 다른 의료 센터에서

그래서 우리는 무엇에 대해 정말 흥분하고 있습니다 이 기술은 건강 관리 분야에 도움이 될 수 있습니다 그리고 그걸로 Jess Mega를 소개하고 싶습니다 저와 달리, 그녀는 진짜 의사입니다 그리고 그녀는 Verily의 최고 의료 책임자입니다

제시카 메가 : 여기에와 주셔서 감사합니다 그리고 우리를 걷어차 기 위해 릴리에게 감사드립니다 나는 AI와 건강 관리에 대한 흥분을 생각한다 더 커질 수는 없다 들으 셨던 것처럼, 제 이름은 메스 제스입니다

나는 심장 전문의이고, 너무 기쁘다 알파벳 가족의 일부입니다 Verily는 Google과 Google X에서 성장했습니다 그리고 우리는 전적으로 의료 및 생명 과학에 중점을두고 있습니다 우리의 사명은 세계의 건강 정보를 취하는 것입니다

환자가보다 건강한 삶을 누릴 수 있도록 유용하게 만듭니다 그리고 오늘 제가 이야기 할 예제는 당뇨병에 초점을 맞추고 있습니다 릴리가 시작한 대화에 정말로 도움이됩니다 하지만 일시 중지하는 것이 매우 중요하다고 생각합니다 건강 데이터를 광범위하게 생각해보십시오

현재 청중에있는 모든 개인 약 몇 기가 바이트의 건강 데이터가 있습니다 그러나 수년 동안 건강에 관해 생각한다면 유전체학에 관해서 생각해보고, 분자 기술, 이미징, 센서 데이터, 환자보고 데이터, 전자 건강 기록 우리는 엄청난 액수에 대해 이야기하고 있습니다 데이터, 기가 바이트의 데이터 그리고 Verily와 Alphabet에서 우리는 우리가 환자들을 도울 수 있도록이 일에 앞장설 것입니다 우리가 초기에 우리의 노력 중 일부를 집중하고있는 이유 당뇨병에 이것은 긴급한 건강 문제입니다

약 10 명 중 1 명이 당뇨병을 앓고 있습니다 당뇨병에 걸릴 때 시체에서 설탕 포도당을 어떻게 다룰 지 그리고 당신이 prediabetes에 대해서 생각한다면, 누군가 당뇨병에 걸리기 전에 조건, 3 명 중 1 명입니다 오늘 청중의 전체 중앙 섹션이 될 것입니다 이제 몸이 처리 할 때 어떤 일이 발생합니까? 포도당은 다른 방법으로, 당신은 다운 스트림 효과를 가질 수 있습니다

릴리가 당뇨병 성 망막증에 대해 이야기하는 것을 들었습니까? 사람들은 심장, 신장, 말초 신경 병증 이것이 우리가 앞서 나아갈 필요가있는 질병의 유형입니다 그러나 우리는 우리가 다루려고하는 두 가지 주요 쟁점을 가지고 있습니다 첫 번째는 정보 격차입니다 따라서 당뇨병 환자 중 가장 견고한 환자들조차도 – 우리 할아버지는이 중 하나 였어

하루에 네 번씩 혈당을 확인합니다 오늘이 누구인지 모르겠다 어떤 간식을 먹을 수 있습니다 나는 캐러멜 팝콘을 실제로 가지고 있었다 누구든지 그 중 하나가 있었나요? 그래, 대단하다

우리의 생물학과 우리의 포도당은 위아래로 가고 있습니다 그래서 제가 그 순간에 포도당을 검사하지 않으면, 우리는 그 데이터를 포착하지 못했을 것입니다 그래서 우리는 생물학이 항상 일어나고 있다는 것을 압니다 심장병 전문의로 병원에있는 환자를 볼 때, 나는 누군가의 심장 박동수, 혈압, 모든 것을 볼 수있다 이 생체 신호 중 실시간으로 그리고 사람들은 집으로 돌아가지만 생물학은 여전히 ​​일어나고 있습니다

따라서 정보 격차가 있습니다 특히 당뇨병 환자와의 차이 두 번째 쟁점은 의사 결정 갭입니다 1 년에 1 회, 1 년에 2 회, 그러나 매일 건강에 대한 결정이 내려지고 있습니다 그들은 매주, 매일, 매시간 일어나고 있습니다

그리고 우리는 어떻게이 격차를 좁히기로 결정합니까? 진실로 우리는 세 가지 핵심 사명에 집중하고 있습니다 그리고 이것은 거의 모든 프로젝트에 적용될 수 있습니다 우리는 교대하는 법을 생각하고 있습니다 에피소드 및 반응 치료에서 훨씬 예방적인 치료에 이르기까지 다양합니다 그리고 그 일을하고 요점을 이해하기 위해 우리는 실제로 AI의 힘을 사용할 수 있습니다

우리는 세 가지를해야합니다 올바른 데이터를 수집하는 것에 대해 생각해야합니다 그리고 오늘 저는 지속적인 포도당 모니터링에 대해 이야기 할 것입니다 그런 다음이 데이터를 어떻게 구성하여 형식으로되어 있는지 확인하십시오 우리는 환자의 잠금을 해제하고 활성화하여 진정으로 도움을 줄 수 있습니까? 그래서 우리가 당뇨병 분야에서 이것을 행하는 지 여부 오늘 또는 우리의 수술 로봇에 대해 듣게 될 것입니다

이것은 일반적인 전제입니다 생각할 첫 번째 사항은 데이터 수집입니다 그리고 릴리가 쓰레기를 말하면서, 쓰레기가 나옵니다 이해하지 못하면 통찰력을 찾을 수 없습니다 우리가보고있는 것

그리고 절대적으로 혁명적 인 한 가지 매우 작은 생체 적합성에 대해 생각하고있다 전자 제품 따라서 우리는 차세대 감지 기술을 연구하고 있습니다 그리고 여기에서 데모를 볼 수 있습니다 이것이 예를 들어, 매우 작은 연속 포도당 모니터가있는 곳에서 이러한 도구 중 일부를 만들기 위해 협력하고, 이것은보다 매끄러운 통합으로 이어질 것입니다

다시 한번, 당신은 단지 포도당 값이 얼마되지 않습니다 그러나 우리는 당신 몸이 어떻게 취급하고 있는지 이해합니다 설탕, 제 2 형 당뇨병 환자, 보다 지속적인 방식으로 그것은 또한 우리가 인구 수준에서 일어나는 일 그러나 개인적인 차원에서 일어날 수있는 일 특정 음식을 섭취 할 때 그리고 마지막으로 장치 비용을 줄이려고 노력합니다 그래서 우리는 건강을 정말로 민주화 할 수 있습니다

다음 목표는이 모든 데이터를 어떻게 구성 할 것인가입니다 그리고 저는 환자와 의사로서 말할 수 있습니다 사람들이 말할 수있는 것은 데이터가 놀랍고, 쓰나미로 데이터를 압도하지 마십시오 당신은 그것을 조직해야합니다 그래서 우리는 사노피와 파트너십을 맺었습니다

Onduo라는 회사에서 그리고 그 생각은 환자를 그들의 보살핌과 도움의 중심에 당뇨 관리를 단순화합니다 이것은 정말 누군가의 마음에 도착합니다 누가 더 행복하고 건강해질 것인가 그렇다면 실제로 무엇을 의미합니까? 우리가하려는 일은 사람들에게 힘을 실어주는 것입니다 그들의 포도당 제어와 함께

그래서 우리는 미국 당뇨병 협회 권장 포도당 범위를 살펴보십시오 그러면 사람들이 당신에게 보여주는 그래프를 얻습니다 하루의 모습과 시간의 비율 너는 범위 안에있다 다시, 환자 또는 사용자에게 제공 그 데이터는 그들이 결정의 중심이 될 수 있도록 – 마지막으로 Google 피트니스를 통해 단계를 추적합니다 다음 목표는 이해하려고 노력하는 것입니다

포도당이 당신의 활동과식이 요법과 어떻게 조화를 이루고 있는지 여기에는 프롬프트를 표시하는 앱이 있습니다 음식 사진 그리고 이미지 인식을 사용하고 Google의 TensorFlow를 사용하여, 우리는 음식을 식별 할 수 있습니다 그리고 이것이 진정한 개인적 통찰력이있는 곳입니다

진짜가되기 시작하십시오 왜냐하면 당신이 특정 식사를 먹으면, 몸이 어떻게 끝나는 지 이해하는 것이 도움이됩니다 그것과 관련있다 그리고 흥미로운 예비 자료가 있습니다 미생물이 변할 수 있음을 시사한다

내가 바나나에 반응 한 방식, 예를 들면, 그렇지 않으면 응답 할 수 있습니다 그리고 그것은 모두가 중요하기 때문에 중요합니다 우리가 만드는 일반적인 권고 사항이 갑자기 의사로서 누군가 나를 클리닉에서 보러 오면 2 형 당뇨병이 있습니다

여기 당신이해야 할 일들이 있습니다 당신은 당신의 다이어트, 운동, 구두 약을 복용하십시오 인슐린, 운동도 받아야합니다 당신은 당신의 발 의사, 당신의 눈을보아야 만합니다 의사, 주치의, 및 endocrinologist

그리고 그것은 통합 할 것이 많습니다 그래서 우리가하려고하는 것은 쌍입니다 이 모든 정보는 간병과 함께 간단한 방법으로 제공됩니다 이 여행을 돕는 사람입니다 이 정보가 떠오르면 내가 여기서 너에게 보여준 것의 가운데를 들여다 보면 의료지도와 그 사람이 보는 것, 당신은 여러 다른 라인을 볼 수 있습니다

드릴 다운하고 살펴보기를 바랍니다 이것은 데이터 간의 차이점을 보여줍니다 에피소드 식 포도당 예제에서 볼 수 있습니다 또는 지속적인 포도당 모니터로보고있는 것 이 새로운 감지로 가능합니다 그리고 우리가이 연속 포도당을 뚫어 말하며 모니터하고 우리는 일의 클러스터를 봅니다

이것은 하나의 예입니다 우리는 패턴을보기 시작할 것입니다 릴리가 언급했듯이 이것은 유형의 것이 아닙니다 개별 환자, 간병인 또는 의사가 파고 있지만, 여기가 당신은 학습 모델의 힘을 풀기 시작합니다 우리가 볼 수있는 것은 클러스터입니다

다른 아침의 우리는 긍정적 인 연관성을 만들거야 모두가 여기에서 믿을 수 없을만큼 건강하게 먹는다고 Google I / O에서 빨간색 아침의 클러스터가 될 수도 있습니다 하지만 우리는 일상 생활로 돌아가서 스트레스를받습니다 우리는 다른 종류의 음식을 먹고 있습니다

그러나 대신에, 일반적인 조언을하는 대신에, 우리는 다른 모델을 사용하여 지적 할 수 있습니다 뭔가 진행되고있는 것처럼 보입니다 예를 들어 환자 한 명과 수요일 즈음에 군집이 보였다 그래서 수요일에 무슨 일이 일어나고있는거야? 그 사람이 가고 멈추고 있는가? 특정 위치 또는 어쩌면 거기에 있습니다 그날 많은 스트레스

그러나 다시 한번, 일반적인주의를 기울이지 않고, 가장 포괄적 인 방법으로 치료를 시작할 수 있습니다 실용 가능한 예 다시 한번 우리가 말하는 것에 대해 생각해보십시오 데이터 수집, 구성 및 활성화 매우 관련성이 높습니다 이것이 우리가 당뇨병 관리에 관해 생각하는 방식입니다

이것이 바로 AI가 작동하는 방식입니다 우리는 오늘 아침 다른 토론에서 들었습니다 우리는 문제에 대해 생각해 봐야 해 우리는 이러한 도구를 사용하여 실제로 만들 것입니다 차이

그래서 우리가 생각할 수있는 다른 방법은 무엇입니까? 정보 활성화에 대해서? 그리고 릴리에게서 당뇨병 성 망막증 실명의 주요 원인 중 하나입니다 우리가 뛰어난 포도당 관리를하더라도, 말기 장기 손상이 시작될 수도 있습니다 그리고 나는 그 상승 된 포도당을 언급했다 레벨이 결국 안저 및 망막에 영향을 줄 수 있습니다 이제 당뇨병 환자들 심사를 받아야합니다

하지만 이전에 내가 너에게 준 이야기에서 우리가 환자에게 묻는 것의 세탁 목록 당뇨병에 걸린 사람 그래서이 공동 작업으로 우리가하려는 일은 구글과 함께, 어떻게 우리가 실제로 제품을 앞서 생각하고 생각하다 우리가 실현할 수 있도록 엔드 – 투 – 엔드 솔루션에 대해 오늘날 존재하는 어려움을 제거하십시오 이 문제는 상영에 관한 한 그 중 하나이기 때문에 내게 필요한 옵션이며 다른 하나는 검안의와 안과 의사에게 접근 할 수 있습니다

그리고 이것은 미국의 문제입니다 개발 도상국 에서뿐만 아니라 그래서 이것은 단지 문제가 아니라 지역적 문제입니다 이것은 우리가 매우 세계적으로 생각할 때입니다 우리는 해결책에 대해 생각합니다 우리는이 데이터를 일찍이 생각해 보았습니다

우리는 알고리즘을 사용할 수 있고 두 감도 모두를 높일 수 있습니다 당뇨 망막 병증의 진단과 특이도 황반부 종 그리고 이것은 "JAMA"에 게시 된 데이터입니다 릴리가 잘 설명했듯이 그렇다면 우리는 어떻게 생각할 것인가? 이 제품을 만드는 방법에 대해? 알파벳 같은 장소에서 일하는 것의 아름다움 오늘 당신과 같은 파트너와 함께 일하는 것이 우리 모두입니다

생각할 수있는 것, 우리가 해결해야 할 문제가 무엇인지, 알고리즘을 작성하십시오 그러나 우리는 그 때 뒤로 물러 설 필요가있다 보건 분야에서 활동한다는 의미 그리고 생명 과학의 공간에서? 우리는 이미지 획득, 알고리즘, 그 정보를 전달하는 것 의사뿐 아니라 환자에게도 도움이됩니다 우리가하는 일은이 정보를 취하는 것입니다 현재 일부 파트너와 협력하고 있습니다

현재 유망한 파일럿이 있습니다 인도에서와 마찬가지로, 우리는 듣고 싶습니다 이른 피드백 그리고 두 가지 정보가 있습니다 나는 너와 나누고 싶었다

하나는이 초기 관측을보고, 우리는 AI로 더 높은 정확도를보고 있습니다 더 큰 매뉴얼보다 의사로서 중요한 것은 – 방에 다른 의사가 있는지 나는 모른다 하지만 내가 항상 사람들에게 말하는 부분은 건강 관리 제공자를위한 공간이 될 것입니다 이 도구들이하는 일은 단지 우리가 일하는 것을 돕는 것입니다

그래서 때로는 사람들이 나에게 묻습니다 기술과 인공 지능입니다 의사를 대신하거나 의료 제도를 대체 할 것인가? 그리고 제가 생각하기에 그것은 단지 작품을 증대시키는 것입니다 우리는하다 청진기에 대해 생각한다면 – 그래서 저는 심장 전문의이고 청진기입니다

약 200 년 전에 발명되었습니다 우리가하는 일을 대체하지는 않습니다 그것은 단순히 우리가하는 일을 보강합니다 그리고 나는 우리가 계속하는 것과 비슷한 주제를 보게 될 것이라고 생각합니다 더 많은 것을 돌보는 방법에 대해 생각해보십시오

환자에게 효과적인 방법 그래서 여기서 가장 먼저 AI가 더 잘 수행되고 있다는 것입니다 수동 그레이더보다 그리고 두 번째로 생각하는 것입니다 그 환자 기초에 대해서

우리는 어떻게 진료를 진정으로 민주화합니까? 그리고 조종사에게서 다른 격려하는 조각 우리가 시작할 수있는 아이디어였다 알고리즘으로 치료받는 환자의 기반을 증가시킨다 이제 밝혀 졌을 때, 나는 좋아할 것입니다 건강하게 모든 것을하는 것이 정말 쉽다는 것을 말하고 있습니다 간호 및 생명 과학

그러나 그것이 나왔던 것에 따라, 그것은 거대한 마을을 필요로한다 이런 종류의 일을하는 것 그럼 다음은 뭐니? 임상 입양의 경로는 무엇입니까? 그리고 이것은 이것이 대단히 흥미로 웠습니다 많은 재능있는 기술자들과 일하는 의사가 되라 및 엔지니어 우리는 이제 다른 임상 사이트와 파트너가되어야합니다

나는 여기서 언급했다 우리는 또한 FDA, 유럽 ​​및 그 밖의 규제 기관들도 마찬가지입니다 우리가하기로 결정한 진실로 한 가지 FDA 사전 인증이라고 불리는 것에 속하는 것입니다 프로그램 우리는 새로운 기술과 새로운 알고리즘 의료 보험에 가입하는 것이 중요하지만 지금은 그 방법을 알아 내야합니다

둘 다 안전하고 효과적입니다 그리고 저는 Alphabet에서 우리를 자랑스럽게 생각합니다 앞서 나가고 파트너 관계를 유지하십시오 FDA와 같은 단체들과 주의해야 할 두 번째 사항 우리가 진실로 진실로 Google 및 Nikon 및 Optus와 같은 다른 파트너와 함께 이 모든 것들이 모여 든다 진료를 변형시키려는 시도

그러나 나는 이것이 올바르게하면, 당뇨병뿐만 아니라 실제로 큰 기회가 있습니다 건강 정보의 전 세계에서 그것에 대해 생각하는 것은 흥미 롭습니다 내 시간을 대부분 보살 피는 의사로서 병원에있는 환자의 보살핌에 더 많은 접근을 시작하십시오 병원 밖에서? 하지만 우리가 잘한다면 우리가 앞서 나가면이 격차를 좁힐 수 있습니다 더 예방적인 방법을 찾아 낼 수 있습니다

우리는 올바른 정보를 수집 할 수 있습니다 우리는 인프라를 구성하여이를 구성 할 수 있습니다 그리고 가장 중요한 것은 그것을 활성화하는 방법을 알아낼 것입니다 그러나 나는 모두가 여기에서 알고 싶어한다 이것은 우리가 홀로 할 수있는 일이 아닙니다

정말로 우리 모두를 필요로합니다 그리고 Verily, 우리는 Google에, 우리는 Alphabet 여러분 모두와 함께 할 수 있기를 기대합니다 그래서이 여행에서 우리를 도와주세요 이 대화 후에 릴리와 나는 여기있을 것이다 우리는 여러분 모두와 행복하게 대화 할 수 있습니다

I / O에서 시간을내어 주셔서 감사합니다 [음악 재생]

How to Make a Data Science Project with Kaggle

YUFENG GUO : "Cloud"에피소드 인공 지능 모험, "나는 메간 Risdal을 초대했습니다 쇼에서 나와 함께하기 함께, 우리는 Kaggle에서 우리 자신의 데이트 과학 프로젝트를 요리 할 것입니다

오늘 어떠니, 메간? 메간 리달 : 잘하고 있어요 너의 쇼에 나를 갖게 해줘서 고마워 YUFENG GUO : 굉장합니다 그리고 우리가 가기 전에, 나는 당신이 무엇에 대해서 이야기 할 기회를 갖게 해줄 수 있어요 당신은 Kaggle과 당신의 역할을합니다

메간 리 다르 : 물론 그래서 나는 Kaggle의 데이터 세트의 제품 책임자입니다 이것이 의미하는 것은 제가 엔지니어들과 함께 일한다는 것입니다 우리의 디자이너뿐만 아니라 우리의 커뮤니티 데이터 과학자들이 발견 할 수있는 도구를 만들기 위해, 공유 및 분석 할 수 있습니다 그리고 오늘, 우리가 원하는 것은 Kaggle을위한 것입니다

170 만 데이터에 가장 적합한 장소 과학자들이 데이터 과학을 공유하고 협력한다 프로젝트 YUFENG GUO : 굉장합니다 그리고 오늘, 우리는 함께 일할 것입니다 가장 신선한 재료를 사용하는 것 – 메간 리 다르 : 데이터

YUFENG GUO : 다른 도구를 사용하여 준비하십시오 우리의 맛있는 결과를 만들기 위해 함께 일합니다 이 공용 데이터 세트 및 노트 시원한 분석을 가진 세계와 공유 할 수있다 그것과 함께 갈 것입니다 그래, 그래

맞습니다 오늘 정말 기쁩니다 왜냐하면 우리는 정말로 이것은 공동 프로젝트입니다 그래서 그것이 우리가 일을 끝내는 방법입니다 팀워크

YUFENG GUO : 팀웍 괜찮아 가자 그래서 메간은 이전 에피소드에서 "AI Adventures" 얻는 방법을 보여주는 동영상을 보았습니다 Kaggle 커널로 시작되었습니다

그리고 시작하기 만하면 매우 초보적이었습니다 그것은 굉장합니다, 그것은 자유로운 자원입니다 하지만 그 이후로 몇 가지 새로운 기능이 출시되었습니다 그것은 정말로 Kaggle의 기능을 향상시킵니다 사용되는 커널과 데이터 세트 모두 개인 및 팀을위한 훌륭한 도구입니다

MEGAN RISDAL : 네, 맞습니다 그래서 오늘, Kaggle는 정말로 멋진 장소입니다 R 및 Python을 사용하여 데이터 작업을하는 사람들에게 유용합니다 그들은 정말로 데이터 과학 포트폴리오를 구축하고 있으며, 데이터 분석 작업을 수행하거나 연구를 공유 할 수도 있습니다 데이터 과학을 수행하는 데는 많은 도구가 필요합니다

그리고 Kaggle은 실제로이 원 스톱 상점으로 활동합니다 이러한 모든 도구를 제공하는 데이터로 작업하는 것을 가능하게합니다 개인적으로, 그것을 세계와 공유하는 것 YUFENG GUO : 그리고 그것은 정말로 – 정말 환상적입니다 사실에 대해 좀 더 살펴 보겠습니다

Kaggle 데이터 집합과 커널이 지원할 수 있음 이런 종류의 공동 모델,이 개인 모드, 당신이 원한다면 MEGAN RISDAL : 최근의 몇 가지 기능 개인 데이터 세트를 게시하고 작업 할 수있는 능력 및 커널 커널에 관해서는 기본적으로 클라우드의 랩톱처럼 노트북보다 강력합니다 내가 오늘 여기에서 일하고있다

RAM 16 개, CPU 4 개, 계산 시간 6 시간입니다 그리고 정말 흥미 진진한 것들 중 하나 그것은 도커 컨테이너에 모두 있다는 것입니다 데이터 과학자들이 좋아하는 모든 패키지가 들어 있습니다 사전 설치 따라서이 환경을 한 번 클릭하면됩니다

그리고 마지막으로 더 많은 사용자 정의를 추가하기 시작합니다 그래서 누락 된 패키지가 있다면, GPU를 설치하거나 GPU를 추가 할 수 있습니다 YUFENG GUO : 오우 그래, 그래 YUFENG GUO : 매우 좋습니다

오늘 특정 데이터 세트를 선택했습니다 로스 앤젤레스시의 데이터 주변에서 놀아 라 내가 제대로 이해한다면 MEGAN RISDAL : 네, 맞습니다 그래서 많은 정부와 기관들이 전 세계와 미국에서 열린 데이터를 부분적으로 이용 가능하게 만들고있다

그들의 오픈 데이터 이니셔티브를 그들의 작품은 더욱 투명합니다 그래서 나는 로스 앤젤레스 출신이다 나는 로스 앤젤레스에 살고있다 그리고 나는보기에 관심이 많았습니다 로스 앤젤레스 시가 공개 한 데이터 중 일부는 사용할 수 있습니다

그래서 나는 오픈 데이터 포털을 둘러 보았습니다 이 사람이 내 눈에 들어왔다 왜냐하면 나는 약간의 foodie 좀 재미 있어요 하지만 실제로 환경 보건법 위반입니다

로스 앤젤레스의 레스토랑과 시장에서 YUFENG GUO : 좋습니다 좋아, 들어 가자 네 MEGAN RISDAL : 그래, 내가 한 일 데이터 세트를 다운로드 했습니까? 이제 로컬 컴퓨터에 있습니다

YUFENG GUO : 좋습니다 메간 리 다르 : 그리고 우리가 할 일은 그것을 Kaggle에게 업로드하고 있습니다 이것은 우리 프로젝트의 기초가 될 것입니다 YUFENG GUO : 굉장합니다 그리고 제가 종종 듣는 것들 중 하나는 – 어떤 사람들은 분산되어있는 것에 관심이있다

컴퓨팅 및 방대한 데이터 세트 방금 언급했듯이이 데이터 세트를 다운로드합니다 귀하의 로컬 컴퓨터에 그리고 몇몇 사람들은, 오, 나는 많은 계산과 자원이 필요하다고 말합니다 Kaggle은 유스 케이스를 지원할만큼 강력 할 것인가? 그리고 나는 Kaggle을보고, 당신이 언급 한 활기찬 지역 사회 – 170 만 명이 었나요? 그래, 그래

그게 오늘 우리가있는 곳입니다 YUFENG GUO : 놀랍습니다 사용 사례가 너무 많음을 분명히 보여줍니다 그 밖의 거대한 대규모 데이터 세트를 넘어서 당신이 도망 갈 수있는 상황이 있습니다

아주 먼 곳으로 데려다 줄 수있는 강력한 기계가 하나 있습니다 MEGAN RISDAL : 네, 맞습니다 그래, 우리는 사람들이 수천을 업로드하고있다 한 달에 걸친 데이터 세트 수 YUFENG GUO : 예, 와우 좋아 이제 네 랩탑으로 가자 우리가 그 일을 어떻게 진행하는지보십시오

Kaggle에서 어떻게 새로운 데이터 세트를 만들 수 있습니까? 메간 리 다르 : 물론 그래서 우리는 Kaggle 's의 데이터 세트 페이지에서 시작하려고합니다 웹 사이트 그래서 이것이 어떻게 생겼는지입니다 그리고 기본적으로 이것은 여러분이 가지고있는 곳입니다

공개적으로 공개 된 모든 데이터 세트에 대한 액세스 Kaggle에 게시 됨 그리고 우리는 오늘 우리 자신의 것을 추가 할 것입니다 그래서 저는 새로운 데이터 세트를 클릭 할 것입니다 그리고 여기에서, 그것은 단지 문제입니다 파일 끌어서 놓기 내가 업로드하도록 선택한 그리고 이것들은 Los의 레스토랑과 시장에 대한 검사입니다

앤젤레스와 위반 그리고 나서 약간의 메타 데이터를 추가해야합니다 데이터 세트가 시작되도록합니다 그래서 저는 여기서 필요한 모든 정보를 얻을 것입니다 그래서 우리는 비공개로 유지할 것입니다

왜냐하면 우리가 이야기 한 것처럼 잘 문서화되도록 데이터 세트를 준비하고 싶습니다 그리고 나서 우리도 놀 것입니다 데이터를 조금씩 사용하여 커널을 작성하십시오 공개적으로 공유하기 전에 YUFENG GUO : 네, 대단합니다 그리고 그것은 분명히 얻지 못하는 것입니다

데이터 집합에 대한 문서가 많이 나와 있습니다 MEGAN RISDAL : 네, 맞습니다 YUFENG GUO : 코드의 문서 매우 잘 이해되고 있으며, 사람들은 그 집을 망치고 있습니다 그러나 데이터 세트에 대한 문서는 새로운 개념입니다 MEGAN RISDAL : 맞아

예, 실제로 데이터에 액세스 할 수있게하는 것입니다 데이터 파일 자체를 기계로 읽을 수있게 만드는 것만이 아닙니다 CSV 포맷이 잘되어 있습니다 또한 일하는 데 관심이있는 사람을 도왔습니다 이 데이터는 실제로 그것을 이해합니다

이제 Create Dataset을 클릭하기 만하면됩니다 YUFENG GUO : 환상적입니다 괜찮아 그리고 귀하의 개인 데이터 세트가 성공적으로 생성되었습니다 메간 리달 : 예

YUFENG GUO : 우우 MEGAN RISDAL : 멋지다 이제 개인 데이터 집합이 업로드되었습니다 그리고 그것이 여기에 우리에게 알려주 듯이, 이제 우리는 이미 데이터 세트를 분석하기 시작한 것에서부터 무엇이든 할 수 있습니다 공동 작업자 추가에 이르기까지 그 두 가지를 할 것입니다

YUFENG GUO : 환상적입니다 MEGAN RISDAL : 확인을 클릭합니다 그리고 그것은 우리를 우리의 데이터 세트로 데려 갈 것입니다 YUFENG GUO : 좋아 보인다 그래, 그래

YUFENG GUO : 그건 진짜 같은 것입니다 MEGAN RISDAL : 네, 맞습니다 그래서 우리가 사람들이 창조 할 때하고 싶은 일 개인 데이터 집합을 사용하면 자신이 쉽게 만들 수 있습니다 그런 다음 해당 데이터 세트를 공개하고 공유하십시오 커뮤니티와 그래서 우리는이 품질 체크리스트를 제공합니다

사람들이 기본적으로 데이터 세트를 문서화하는 데 도움이됩니다 그들이 그것을 나눌 때 성공하도록 돕습니다 그래서 우리는 빨리 갈 것입니다 이 품질 체크리스트를 통해 그래서 첫 번째는 설명을 제공합니다 그리고 이것은 단지 마크 다운 파일이므로 여기에 저장했습니다

YUFENG GUO : 좋습니다 네 그게 정말 멋지다는거야 어떤 종류의 것들에 대한 지침 데이터 세트를 멋지게 만들기 위해 추가 할 수 있습니다 MEGAN RISDAL : 네, 맞습니다

YUFENG GUO : 좋은 경험을하십시오 그래, 그래 그래서 저는 이해와 같은 것들을 생각합니다 데이터의 맥락과 흥미로운 이유 왜 그것을 공유하는지가 중요합니다 더 자세한 정보를 제공 할뿐 아니라 해당 데이터 세트의 내용에 대해 그래서 그것이 우리가 여기에서 한 것입니다

그리고 영감도 – 그래서 몇 가지 질문을하면 데이터를 사용하여 대답 할 수 있습니다 YUFENG GUO : 네 거기서 다른 데이터 세트를 보았습니다 이제 나는 왜 [부적절한], 거기에 어떤 지침이 있음을 안다 MEGAN RISDAL : 맞습니다

네 그럼이 페이지의 다음 일은 우리는 몇 개의 태그를 추가 할 것입니다 일단 데이터 세트가 검색되면 데이터 세트를 더 쉽게 찾을 수 있습니다 공개적으로 공유 할 준비가되었습니다 그래서 우리는 공중 보건과 음식과 음료를 할 것입니다

YUFENG GUO : 합리적인 것 같습니다 MEGAN RISDAL : 합리적인 것 같습니다 그러면 자막과 배너 이미지를 추가 할 것입니다 그리고 이것은 페인트의 마지막 외투를 추가하는 것입니다 잘 보이게하고 사람들이 이해하도록 돕기 위해 데이터 세트에 관한 것입니다

YUFENG GUO : 예 – 약간의 재능 MEGAN RISDAL : 네, 맞습니다 YUFENG GUO : 좋습니다 MEGAN RISDAL : 그럼 우리가 그걸 살릴거야 YUFENG GUO : 그리고 우리는 그들이이 이미지를 대체하기를 원합니까? 그래, 그래

이것이 데이터 집합 목록에서 Google이 볼 수있는 것입니다 그리고 당신은 그 표지에 의해 데이터 세트를 판단하지 않아도됩니다 그러나 그것이 화려한 이미지를 가지고 있다면 – 오직 도움이 될 수 있습니다 YUFENG GUO : 예 나는 항상 얇게 썬 양파의 이미지가있는 데이터 세트를 선택합니다

그렇지 않은 사람 MEGAN RISDAL : 맞습니다 맛있어 보인다 그리고 마지막으로, 가장 중요한 부분 나는 당신을이 데이터 세트의 공동 작업자로 추가 할 예정입니다 YUFENG GUO : 그래서 지금 나는 그것을 보게된다? 그래, 그래

YUFENG GUO : 좋습니다 그래서 결국 – MEGAN RISDAL : 당신이 계십니다 편집 권한을 부여합니다 YUFENG GUO : 감사합니다 Megan Risdal이 데이터 집합을 편집하도록 초대했습니다

큰 그리고 Kaggle에서보기를 클릭 할 수 있습니까? 그래, 그래 YUFENG GUO : 그리고 그 모습을 보자 굉장해 그래서 이것은 당신 편에서 본 것과 기본적으로 같습니다

MEGAN RISDAL : 네, 맞습니다 시원한 그래서 우리는 우리의 데이터를 업로드하고 문서화했으며, 너와 그걸 나눠 봤어 우리가 사람들에게하도록 권하는 것들 중 하나 코드를 통해 데이터 세트를 문서화하는 것입니다 그래서 내가 말하는 것은 출판입니다

데이터 세트의 커널은 사용자에게 시연 할 수있는 한 가지 방법이며, 지역 사회의 다른 사람들, 그들은 당신의 데이터로 할 수 있습니다 그래서 우리는 누군가를 커널에 보여주고 싶을 것입니다 데이터를 읽는 방법, 일부 데이터를 읽을 수있는 방법 데이터를 사용하여 시각화 할 수있는 질문, 질문 그것을 사용하여 답변을 얻을 수 있습니다 YUFENG GUO : 네 요즘 Kaggle에서 데이터 세트를 볼 때, 그들 모두는이 탐험 수첩을 가지고있다

환상적인 시각화를 사용하면 정말 좋습니다 그래, 그래 예 바로 그 거예요 새로운 데이터 세트 작업을 시작할 때, 보통, 당신이 지역에서 일할 때, 커서가 깜박이기 시작합니다 당신에게 보여주는 코드가 없습니다

데이터를 읽는 방법과 데이터로 작업하는 방법 그래서 우리가하려고하는 것은, 데이터 세트를 추가로 문서화 할 것입니다 커널을 게시하여 YUFENG GUO : 환상적입니다 메간 리 다르 : 시작합시다 이 빅 블루 버튼을 클릭하기 만하면됩니다

우리가 부르는대로 – 새로운 커널 YUFENG GUO : 예 MEGAN RISDAL : 여기서는 스크립트 사이에서 선택할 수 있습니다 및 노트북 내가 좋아하기 때문에 나는 노트북과 함께 갈거야

인터리빙 마크 다운 및 코드 그리고 나서 이것이 시작되는 동안, 나는 할 수있다 내가 접근 할 수있는 데이터를 가지고 있는지 보아라 여기 내 환경에서 내 손가락 끝에 YUFENG GUO : 좋습니다

MEGAN RISDAL : 저는 언어를 바꿀 것입니다 R 저는 Stats 사람입니다 맞습니다 YUFENG GUO : 좋습니다

MEGAN RISDAL : 멋지다 내가 한 일은 내가 바람을 피웠다는 것입니다 이미 코드를 준비했습니다 내가 사용할거야 그래서 저는 여기서 그것을 빨리 업로드 할 것입니다

그리고 나서 내가 너를 걸을거야 데이터 세트를 분석하기 위해 수행되었습니다 YUFENG GUO : 좋습니다 메간 리 다르 : 그래서 첫 번째 셀에서, 검사 CSV 파일과 위반 CSV 파일이 있습니다 그래서 나는 그 사람들을 읽고 그것에 참여할 것입니다

함께 일련 번호를 기입 한 다음 결과 데이터 프레임을 엿볼 수 있습니다 YUFENG GUO : 좋습니다 메간 리 다르 : 그렇게되면, 우리는 거의 900,000 개의 레코드를 가지고 있음을 알 수 있습니다 우리가보고있는 것 그래서 이들은 모두 건강법 위반입니다

약 2 년간의 데이터 YUFENG GUO : 좋습니다 2 년 동안은 그렇게 많이 남아 있습니다 MEGAN RISDAL : 그래, 그게 그 것처럼 보인다 그래서 우리는 그 모습을 파헤칩니다 이제 데이터 세트를 준비 했으니 까 내가 원하는 모양으로, 위반의 수를 봅니다 월별로보고 됨

YUFENG GUO : 맞습니다 이것은 큰 것입니다 그래, 맞아 괜찮아 YUFENG GUO : 좋습니다

MEGAN RISDAL : 그래서 당신은 그것이 얼마나 빠르고 빠르는지 알 수 있습니다 그리고 우리는이 시각화를 가지고 있습니다 우리 앞에서 그래서 그것은 많은 건강법 위반입니다 YUFENG GUO : 네

그것은 온통 여기에 있습니다 어떻게 생겼는지 바는 무엇입니까? 30,000? MEGAN RISDAL : 네, 맞습니다

YUFENG GUO : 한 달 안에? 메간 리 다르 : 네 네 YUFENG GUO : 그것은 두더지입니다 메간 리달 : 네 자, 계절 추세가 있는지 살펴 봅시다

또한 위반 사항에 대한 정보도 있습니다 일련 번호마다 그래서 우리는 그것을 살펴볼 것입니다 그리고 우리는 상위 10 개를 살펴볼 것입니다 위반 사항이 있으므로이 코드가 여기에서 수행 될 것입니다

YUFENG GUO : 우리는 그것을 실행하고 우리는 다음과 같이 갈 것입니다 – 와우, 아주 좋은 색상의 코딩이 여기 있습니다 저 더 어두운 사람이 더 많거나 더 가벼운 사람은 더? 메간 리 다르 : 라이터가 더 밝습니다 YUFENG GUO : 좋습니다 그래, 그래 네, 여기 이걸 볼 수 있어요

바닥, 벽, 천장은 제대로 건축되고, 유지되고, 잘 수리되고, 깨끗하게 YUFENG GUO : 좋습니다 그래, 그래 YUFENG GUO : 항상 유감스럽게 생각합니다 귀하의 시설이 잘 수리되고 있는지 확인하십시오

MEGAN RISDAL : 네, 맞습니다 그리고 마침내, 나는 단지 저장하려고합니다 나중에 염두에 두어야 할 또 다른 프로젝트는 우편 번호로 위반 사항을보고 싶습니다 그래서 우리는 각 시설에 대한 정보도 얻었습니다 그들의 주소는이다

그래서 우리는 그곳에 우편 번호와 표정에 의한 위반이 더 많다 지형 공간 분석에서 하지만 나중에 조금하고 싶습니다 CSV를 파일로 작성하려고합니다 그리고 나는 그것을 다른 커널에서 사용할 수있을 것이다

YUFENG GUO : 맞습니다 그리고 당신은 상상할 수 있습니다 나는이 새로운 산출물에 대해서 생각하려고 노력하고있다 당신이 만든 것, 당신은 어떤 종류의 매핑을 만들 수 있습니다 그것으로

멋진 색으로 구분 된 히트 맵 중 하나를 수행 할 수 있습니다 MEGAN RISDAL : 네, 그렇습니다 YUFENG GUO : 우리는 이런 종류의 히트 맵을 가지고 있습니다 유형별로 위반 사항을 보여 주지만, MEGAN RISDAL : 그래, choropleth지도 지형 공간처럼 – YUFENG GUO : 혀 트위스터가 있습니다 메간 리 다르 : 예, 전성기

네, 정확히 말하면, 지금, 어떻게이 데이터 세트를 엿볼 수 있을까요? 이미 새로운 질문에 영감을 불어 넣었습니다 이것이 바로 사용자를 위해 우리가하고 싶은 일입니다 그래서 나는 내 노트에 제목을 부여 할 것입니다 YUFENG GUO : 예, 항상 제목이있는 것이 좋습니다 그래, 그래

그런 다음 커밋하고 실행합니다 YUFENG GUO : 좋습니다 그러니 그걸 치자 그게 실행되는 동안, 당신을위한 질문 – 너라면 노트북을 구할 수 없어? 커밋 및 실행을 클릭하지 않았습니까? 클릭하기 전에 해당 탭을 닫으려면, 그 모든 코드에 무슨 일이 일어날 것인가? MEGAN RISDAL : 초안을 저장하고 있습니다 하지만 코드를 저장하려면 나중에 다시 돌아와 다른 사람들과 공유하십시오

당신은 Commit and Run을 치고 싶다 그리고 그것은 코드를 위에서 실행합니다 바닥에 YUFENG GUO : 맞습니다 완전한

한 번 끝나면 다음 단계는 무엇입니까? 우리 계획은 여기서 뭐지? 왜냐하면 지금 당장 우리는 비공개이지만 우리 사이에 공유되는 데이터 세트가 있어야합니다 우리는 여전히이 커널을 가지고 있다고 생각합니다 너에게 개인적으로, 맞지? MEGAN RISDAL : 그래, 일단 이것이 끝나면, 계속해서 스냅 샷보기를 클릭하겠습니다 그리고 이것은 우리를 노트북 뷰어로 데려 갈 것입니다 그리고 여기에서, 이것은 내가 세상과 나눌 것입니다

그리고 이것은 누군가가 데이터 세트를 보는 것입니다 찾을 수 있습니다 그래서 나는 앞으로 나아갈 것이고, 다시 당신과 이것을 나눌 것입니다 당신이 우리의 모든 일이 공개 될 준비가되었습니다 YUFENG GUO : 맞습니다

예, 팀 환경에서, 당신은 근본적으로 일종의 코드 리뷰를하기 위해 이것을 할 수있다 대본 그래, 맞아 YUFENG GUO : 좋습니다 그러니 일단 끝내면 내 노트북에서 이쪽으로 갈 수 있습니다

데이터 세트에서 커널을 클릭하고 이동합니다 당신의 일에, 나는이 경우에 당신의 일이라고 생각합니다 MEGAN RISDAL : 맞아 YUFENG GUO : 여기 노트북을 열어 드리겠습니다 그리고 여러분은 그것이 잘로드되어 있음을 볼 수 있습니다

그리고 노트북을 편집하거나 포크 할 수있는 옵션이 있습니다 그래, 그래 그럼 어째서 그 일을 포기 하렴 모든 것이 예상대로 실행되는지 확인하십시오 그리고 모든 것을 컴파일 할 수 있습니다

YUFENG GUO : 내가 그것을 포크로 할 때, 그런 다음 GitHub에서 저장소를 포크 할 때와 비슷합니다 MEGAN RISDAL : 맞아 YUFENG GUO : – 당신은 당신 자신의 복사본을 만들 수 있습니까? 자, 이건 내거야? 그래, 그래 이것은 코드뿐만 아니라 코드의 사본이기도합니다 내가 사용한 데이터와 내가 사용한 환경

YUFENG GUO : OK, 잡았다 그리고 지금은 아무 것도 당신 편에 변화를줍니다 내 사본에 영향을 미치지 않습니다 MEGAN RISDAL : 맞습니다 YUFENG GUO : 좋습니다

자, 이제 실행하고있어 다른 커널을 생성한다 이름을 변경해야합니까? 내가 그대로두면 거기에 이름 충돌이있을거야? 메간 리 다르 : 당신은 그것을 바꿀 필요가 없습니다 그래서 사용되는 민달팽이는 사용자 이름이고, 노트북 제목의 슬러그 YUFENG GUO : 잡았다

그래서 나는 그것을 바꿀 수 있었지만 그렇게 할 필요는 없다 MEGAN RISDAL : 맞아 YUFENG GUO : 자, 제가 다시 가면 오, 우리는 그것이 그것을하는 것을 볼 수 있습니다 내 포크를 다른 사람들과 공유하십시오 MEGAN RISDAL : 네, 맞습니다 YUFENG GUO : 우리는 우리의 데이터를 볼 수 있습니다 제가 지금 다시 클릭하면, 이것은 – 일단 끝나면 그냥 나타납니다? 메간 리 다르 : 그렇습니다

YUFENG GUO : 그리고 거기에 있습니다 괜찮아 메간 리달 : 굉장해 그래서 당신은 어떻게 생각하십니까? YUFENG GUO : 꽤 좋은, 꽤 좋다 나는이 사실을 현실로 공개 할 때라고 생각한다

메간 리달 : 예, 공개하겠습니다 YUFENG GUO : 좋습니다 MEGAN RISDAL : 멋지다 그래서 데이터 세트로 돌아가겠습니다 그리고 Settings (설정), Sharing (공유)으로 이동하여 준비가되었다고 생각하면, 공개로 만들기를 클릭 할 수 있습니다

YUFENG GUO : 좋아,하자 따라서 이것은 영구 공개됩니다 MEGAN RISDAL : 맞습니다 YUFENG GUO : 좋습니다 그것은 당신이 여기에 들어가는 것을 아는 것이 항상 좋은 것입니다

좋은 메간 리 다르 : 그리고 여기에 우리가 간다 그리고 나서 다음 단계는 물론입니다 커널을 공개하길 원한다 YUFENG GUO : 오, 맞아

커널 자체가 데이터 세트와 분리되어 있기 때문에, 그래서이 두 개념은 구별됩니다 MEGAN RISDAL : 맞습니다 YUFENG GUO : 그래서 이런 상황에서, 네가 물건을 썼던 곳 일 수도 있고, 그리고 당신은 당신의 것을 공개합니다 그런데 나는 그것을 포크로 찍는다 그리고 그것은 사적이다

그리고 나는 너 또는 다른 사람들과 개인적으로 그것을 확장 할 수있다 그리고 아마도 다른 버전을 출시 할 것입니다 몇 가지 다른 분석과 함께 MEGAN RISDAL : 맞아 예 바로 그 거예요

따라서 유연성은 귀하에게 달려 있습니다 YUFENG GUO : 굉장합니다 MEGAN RISDAL : 데이터 측면이 공개됩니다 그리고 데이터 과학자 커뮤니티의 모든 사람 음식점 검사에 대해 더 많은 것을 탐색 할 수 있습니다 로스 앤젤레스 카운티의 위반

YUFENG GUO : 맞습니다 맞습니다 현재 축소 된 내용을 살펴보면, 그것은 아주 조금입니다 그리고 도구는 모두이 패키지에 들어 있습니다 정말 멋지고 완벽한 플랫폼입니다

나는 정말 즐거웠다 그리고 우리는 당신 편에서 노트북과 데이터 세트를 만들었습니다 우리는 개인적으로 공개적으로 공유 할 수있었습니다 그리고 우린 물건에 빠지지도 않았어 댓글 달기 시스템 및 토론 포럼과 같은 그리고 Kaggle에게는 훨씬 더 많은 것이 있습니다

그러나 공동 작업과 공유 환경조차도 너무 부자 야 그래, 그래 그래서 처음부터 끝까지 프로젝트를 만들었습니다 로컬 컴퓨터에서 데이터 파일을 가져 왔습니다 이 재현 가능하고 문서화 된 데이터 세트에 세상과 공개적으로 공유됩니다

그리고 어떻게하면 누군가가 학교 프로젝트에 이것을 할 수있다 또는 연구 공유 방법 YUFENG GUO : 당연히 네 그래서이 노트는 정말로 공개됩니다

그래서이 비디오를보고 있다면, 당신은 지금 Kaggle에 가서이 데이터 세트에 접근 할 수 있습니다 설명에 노트북에 대한 링크가 포함됩니다 동영상 아래에서 공유하고 공유하면됩니다 노트북, 데이터 세트를보고 댓글을 달 수 있으며, 자신의 노트를 포크로 만들고 편집하십시오 오늘 Megan과 함께 해줘서 고마워

이 Kaggle 커널을 조합하는 것은 정말 재미있었습니다 우리는이 데이터 세트를 만들어 전세계에 공개합니다 이 비디오가 마음에 들면 좋아요 버튼을 누르십시오 아래에서 아래로 클릭하고 구독하기를 클릭하십시오 "Cloud AI Adventures"의 모든 에피소드 그들이 나오면 바로

당분간, 나와 메간은 돌아갈거야 이 커널 작업 그러나 이번에는 아마 설득 할 수 있습니다 그녀는 파이썬에서 그것을 할 수 있습니다 메간 리 다르 : 우리는 그것에 대해 알게 될 것입니다

YUFENG GUO : 좋습니다

The future of Voice and AI? Are you going to be disrupted?

나는 많은 사람들이 그렇게 생각하지 않는다 음성 왜건에

나는 목소리가 커질 것을 의미합니다 Google의 경우 교통량의 50 % 그들은 문자 그대로 문자 그대로 자신을 교란시킵니다 누군가가 스스로를 혼란에 빠뜨리면 다른 모든 산업과 마찬가지로 붕괴 될 것입니다 기본 웹 사이트 더 이상 웹 사이트가 될 수 없습니다 그것은 될 것입니다

내부에서 말하는 봇 또는 AI BOT 알렉사 또는 내부 Google 직접, Google 홈 플랫폼 등 그래서 나는 단지 그 상상 세계는 변화하고있다 실제로 바뀌지 않는 녀석들 시간이 영향을받을 수 있습니다 우리가 말하는 거대한 회사들 약처럼 당신의 소규모 공급자 큰 소매상 인에 대하여 생각하십시오 이러한 웹 사이트는 파괴적 일 것입니다 2 4 2 ~ 5 백만을 보냈다

갑자기 그 것으로 바뀌었다 정말로 조교가있다 그것이 우리가 찾고있는 것입니다 이것은 마치 보이는 것입니다 거기에서부터 시작됩니다

구매 페이지 만 있으면됩니다 전부 전체 웹 사이트를 건너 뜁니다 경험이 너무 중요하다 그 기술은 정말로 quikcly 변화하고 있습니다

실제로 저장할 비용은 적습니다 모든 음성 정보보다 정보 특정 그것을 바로하는 플랫폼 따라서 실제로 끝내기가 쉽습니다 그 애가 그 거리에서 프로그램 할 수있어 인공 지능 로봇 당신이 할 수있는 Facebook 등 세상이 바뀌고 있습니다

그 흥미 진진한 Good ole voice, 좋은 오래된 목소리 야 그것이 될 것입니다 미래

LG TVs with AI THINQ to receive Google Assistant in more countries

LG 전자는 스마트 홈 게임을 믿는 한 가지 이름입니다 집에서 똑똑해지기 시작하지 않았다면 스마트 TV를 똑똑하고 Google 비서와 더 똑똑 할 수있는 OLED TV를 제공했습니다

회사는 처음에는 스마트 폰에서 발견 된 AI thinq 기술을 제공하지만 영국 스페인과 같은 다른 나라의 TV에서 곧 사용할 수 있습니다 프랑스 독일 캐나다 호주 및 한국 ai thinq 플랫폼 다른 LG 제품에 Google 보조원이있는 사람들에게 천천히 그 길을 찾고 있습니다 붙박이 기술은 쉽게받을 것이다 음성 인식 해결책은이다 검색어를 간단히 표명하고 명령어는 스마트 TV와 대화하며 Google과 함께 AI TV를들을 것입니다 조수는 다른 언어로도 검색 할 수 있습니다 여기에 새로운 물건을 새 정보 제어 다른 스마트 홈 제품 및 Google 홈 디바이스를 가지고있는 것처럼 작업을 관리하면 마이크를 누르기 만하면됩니다

버튼을 누른 상태에서 최신 뉴스 일기 예보 및 다른 사람들과 스포츠 점수를 비교하여 Google 포토 컨트롤 다른 스마트 홈 탐색 가젯이 자동 온도 조절 장치를 확인하거나 iPhone q 기능으로 조명을 끄십시오 Google 비서가 다른 5000 명과 호환되는 순간 시스템이 블루투스 또는 Wi-Fi를 통해 연결하는 스마트 장치 자연 언어를 사용할 수있는 심층 학습 기술의 이점 IFA 2018에서 LG의 부스를 확인하여 LG의 AI 감사를 확인하십시오 Google Assistant를 사용하여 TV 사용 설정

Opportunities, challenges, and strategies to develop AI for everyone (Google I/O ’18)

[음악 재생] 페르난다 비 에츠 : 와줘서 고마워 제 이름은 페르난다 비에 가스입니다

나는 Google Brain의 일부입니다 저는 또한 PAIR 이니셔티브의 리더이기도합니다 People + AI Research를 위해 오늘 가입하게되어 매우 기쁩니다 이 멋진 패널

그래서 저는 Rajen Sheth입니다 그는 제품 담당 이사입니다 Google Cloud AI, Daphne Luong, 구글의 엔지니어링 디렉터, 존 플래트 (John Platt) Google AI에서 응용 과학 담당 이사 그리고 오늘, 우리는 기회에 대해 이야기 할 것입니다 도전 과제 및 전략을 개발했습니다

네가 할 수 있다면, 제발, 나는 너를 사랑해 Google에서하는 일에 대해 간단히 이야기하겠습니다 RAJEN SHETH : 제 이름은 Rajen Sheth입니다 클라우드 AI 용 제품 팀을 운영하고 있습니다 따라서 우리가하는 일은 Google 클라우드 내에 있습니다

우리는 어떻게 AI의 최고를 가져올 수 있는지 알아 내려고 노력하고 있습니다 개발자와 기업에게 그렇다면 개발자에게 구축 할 수있는 훌륭한 플랫폼을 제공하려면 어떻게해야할까요? 그렇다면 Google의 최고의 AI를 어떻게 활용할 수 있습니까? 서비스로 사용할 수 있도록 개발자를위한? 페르난다 비 에츠 : 고마워 DAPHNE LUONG : 제 이름은 다프네 루옹입니다 저는 Google AI, 인간의 계산, 데이터, 자연 언어 이해

John Platt : 저는 존 플랫입니다 그리고 적용된 과학 기관을 운영하는 데 도움이됩니다 Google AI 내부 우리는 모든 기회에 매우 흥분합니다 생물학이나 물리학과 관련된 과학 그리고 우리는 컴퓨터 과학, 특히 기계 학습과 인공 지능, 정말 가속화 할 수 있습니다

이것이 바로 우리 조직이하는 일입니다 페르난다 비 에츠 : 고마워 그래서 매우 사물 중 하나 이 패널과 많은 주제에 대해 저에게 영감을줍니다 올해 I / O에서 진행되는 모든 사람들을위한 AI입니다 그래서 저는 PAIR에서 주요 연구 중 하나 인 것을 알고 있습니다

우리가 가진 주제는 인간 중심의 AI를 어떻게 디자인 할 것인가입니다 과학 기술? 사용자를 염두에두고 어떻게 시작합니까? 그 다음에 맞는 기계 학습 기술을 설계 할 것인가? 그래서 내가 당신 한테 물어보고 싶은 것들 중 하나 조금이라도 이야기하는 것은 "모든 사람들을위한 AI" 너에게 의미가 있니? RAJEN SHETH : 나에게 그것은, 정말로, AI를 어떻게 쉽고 유용하게 만드십니까? 그것을 사용하고 싶은 사람들을 위해? 그리고 저는 우리에게 두 가지 큰 문제가 있다고 생각합니다 지금 AI로보고 있습니다 하나는 그곳에는 많은 기술이 없다는 것과 그렇지 않은 것입니다 AI 모델을 구축하는 방법에 대한 지식, 특히 깊은 학습, 거기 있어야합니다

그래서 우리는 그것들을위한 도구를 만들려고 노력하고 있습니다 더 많은 사람들이 AI에 액세스 할 수 있도록하기 위해, 하지만 AI에 대해 배우고 그것을 어떻게 사용하는지 파악할 수 있습니다 예를 들어 우리가 찾는 것은 아마 수만 명에 달할 것이라고 깊은 학습을하는 법을 알고있는 사람들의 아마 2 억 정도의 순서로 밖에있는 데이터 과학자들 그러나 2,100 만 명의 개발자가 있습니다 그래서 우리의 목표는 AI를 어떻게 얻는가입니다

2100 만 명의 개발자가 액세스 할 수 있습니까? 그리고 두 번째 부분은 유용성입니다 AI가 유용하도록 실제로 어떻게 만들었습니까? 우리는 어떻게해야합니까? 특히 기업, 멋진 일만 할 수없는 곳을 넘어, 그러나 그들은 유용한 일을 할 수 있으며, 실제로 비즈니스에 필수적입니까? 페르난다 비 에츠 : 당연하지 DAPHNE LUONG : 나에게, 모두가 참여하고 인식하게하기 그래서 알고리즘은 표현을 가진다 모든 사용자에게 제공됩니다

데이터 측면에서 이것은 우리가 대표적인 데이터가 있어야한다 모든 사용자의 네 글쎄, 나를 위해, 모두를위한 AI가 노력하고있다 사회의 많은 부분에 인공 지능의 혜택을 얻으려고 또는 전 세계에 걸쳐 그래서 우리는 레버리지 포인트를 찾습니다 우리는 세계의 모든 사람들이 인공 지능을 사용하도록하려는 것이 아닙니다

우리는 AI가 제공 할 수있는 것들의 열매를 맺기 위해 노력하고 있습니다 그래서 우리가 이러한 지렛대 포인트를 발견 할 수 있다면, AI의 로컬 응용 프로그램은 정말 전 세계를 도울 수 있습니다 그것이 우리가 찾고있는 것입니다 그래서 나는 슈퍼 영웅입니다 인공 지능과 기계 학습 문제 과학, 과학은 획기적인 기술로 이어질 수 있기 때문입니다

페르난다 비 에고 : 좋아요 나는 여기 흥미로운 것들 중 하나를 생각한다 이 패널과이 주제는 각자가 매우 다른 관점에서오고있다 Rajen, 제품에 관해서 생각하고 있습니다 사물의 비즈니스 측면을 슬래시

대프니, 근본적인 블록 중 일부를 만드는 것을 돕고 있습니다 데이터와 마찬가지로 기본적인 데이터 생성 이 기술을 전혀 할 수있는 블록 그리고 나서 John, 당신은 연구의 관점에서 왔습니다 우리는 어떻게 과학자들을 가능하게할까요? 어떻게 과학을 가능하게 할 수 있습니까? 우리가 인공 지능에 관해 이야기 할 때마다 올 수있는 것들 중 하나입니다 우리가 기계 학습에 관해 말할 때마다, 이 표현의 개념입니다

그리고 저는 그것으로 처음부터 시작하고 싶습니다 데이터에 대해 이야기하고 싶습니다 대프니, 정말 흥분 했어 네가이 패널의 일부가 될 거라는 말을 들었을 때 왜냐하면 나는 당신을 구글의 데이터 황제라고 생각하기 때문입니다

[LAUGHS] 그래서 당신의 작품은 더 좋은 방법을 창조하는 것에 관한 것입니다 규모를 키울 수 있습니다 예를 들어 데이터를 어떻게 수집합니까? 우리는 어떻게 통찰력있는 방법으로 그렇게합니까? 그래서 제가 좋아할만한 것들 중 하나 너에 대해서 조금이라도 말하면 Google에서 데이터 세트를 표현한 것입니다 오늘 그게 어떻게 생겼어? 그래 따라서 의미 론적으로 의미 있고 체계적인 – 정확하게 교정 된 라벨 데이터, 규모는 기계 학습에 정말로 중요합니다

표현의 관점에서 볼 때 일부 데이터 잘 균형이 잡히지 않았다 예를 들어, 위키 피 디아 데이터를 살펴보면, "그"라는 대명사는 훨씬 더 많이 언급됩니다 "그녀보다" Google 내부에는 많은 데이터가 있습니다 그리고 내가 이야기하고 싶은 예제 세트 작년에 우리가 오픈 한 오디오 데이터 세트입니다

데이터 세트에는 85k 시간의 오디오가 포함 된 210 만 개의 비디오가 있습니다 그런 다음 약 500 클래스의 사운드로 주석을 달았습니다 그건 꽤 흥미 롭군요, 그렇죠? 너는 연설과 음악, 모든 방법으로 소리를 낸다 엔진 소리 또는 burping 또는 양치질에

그런 관점에서 보면 오디오와 사운드를 갖는 것이 정말로 중요합니다 세상의 모든 사람들이 아이들의 소리를 듣는 것과 같습니다 인도는 중국과 미국과 매우 다릅니다 그런 종류의 것이 내가 생각하는 것입니다 데이터 세트를 만들 때마다 생각해야합니다

페르난다 비에 가스 : 그래서 훌륭합니다 그래, 내가 다른 모든 오픈 소스 데이터를 알게되었을 때 우리가 내놓은 세트는 정말 흥미 롭습니다 오디오, 비디오, 텍스트를 볼 수 있습니다 번역이 있습니다 너는 그것들 모두를 가지고있다

그러나 기계 학습에서 데이터에 대해 이야기 할 때마다 당신은 또한 도전에 대해서 이야기하고 있습니다 그래서 네가 조금 만지기 시작한 것들 중 하나가 나는 그것을 더 끌어 내고 싶다

표현의 개념이다 데이터 세트가 올바른 표현인지 확인 다른 사용자, 다른 지역 사회 그리고 그것은 어려운 일입니다 궁금 해서요, Google이 그 일에 대해 무엇을하고 있습니까? 어떻게 생각하고 있니? 네 커뮤니티의 Google 사용자이므로 매우 기질이 좋았고, 우리를 위해 데이터와 물건을 기부했습니다

우리 제품을 더 잘 만들 수 있습니다 Google 가이드가 그 예입니다 얼마나 많은 사용자가 Google 가이드를 잠재 고객에게 사용 했습니까? 그래, 네 그래서 데이터면에서 우리는 정말 비슷한 것을하고 있습니다 우리는 애플 리케이션과 웹상에있는 Crowdsource 앱을 가지고 있습니다

바로 지금, 지난 2 년 이래로, 실제로 2 백만 명의 사용자가있었습니다 전 세계의 앱에 기부, 사실 233 개국 그것은 많은 다른 사람들입니다 그리고 우리는 사람들로부터 2 억 건의 기부금을 받았습니다 질문, 모든 방법에서, 헤이, 인도네시아의 한 도시에서이 표지판을 길에서 볼 수 있습니까? 대,이 문장을 어떻게 사용합니까? 힌디어에서 문장의 정서는 무엇입니까? 모든 데이터가 있습니다

그리고 그 데이터는 실제로 제품을 더 좋게 만드는 데 도움이됩니다 사람들이 표지판이없는 거리를 탐색 할 수있게 도와줍니다 랜드 마크 탐색과 마찬가지로 키보드를 더 많이 사용합니다 접근성이 좋고 무거운 물건 만들기 [불충분] 세부 사항 레이블이 지정된 데이터 세트 그래서 저는 그것이 정말로 중요하다고 생각합니다

Crowdsource 앱이 없다면, 그것을 다운로드하십시오 페르난다 비 에고 : 좋아요 고맙습니다 내가 결코 해본 적이없는 오디오에 관한 것들 중 하나 내가 이것을 읽을 때까지 생각했다 성인의 목소리 사이에 큰 불일치 어린이 대

그래서 당신은 많은 다양한 차원들에 대해 생각해야합니다 다양성 그래 그리고 앱에서 우리는 실제로 35 개국에 사용자가 시작한 그룹이 있습니다 우리는 사실 모든 기여에 대해 정말로 흥분하고 있습니다

페르난다 비에 가스 : 굉장해 승인 자 이제 데이터에서 조금 이동하십시오 우리가 모든 사람들에게 AI에 관해 말할 때마다, 나는 생각합니다 마음에 오는 첫 번째 질문 우리가 어떻게 AI를 이용 가능하게하고 사용자를 위해 더 좋게 만드는가? 라잔, 여기 내가 너에게로 향할거야

그리고 당신이 클라우드에서 이러한 서비스를 이끌도록 돕고 있기 때문에, 이 ML 도구를 어떻게 설계 할 생각입니까? 사용자가 쉽게 사용할 수 있습니까? 그리고 거기에 또 하나의 질문이 있습니다 어려움에 대해 조금이라도 이야기 할 수 있다면 네가보기 시작 했어 사용자가 고착되는 패턴은 무엇입니까? RAJEN SHETH : 예, 예 좋은 질문입니다 나는 그것의 두 가지 큰 부분이 있다고 생각합니다

하나는 사람들이 모델을 쉽게 만들 수 있도록하는 것입니다 그러나 두 번째 부분은 어떻게 확신 할 수 있는가입니다 그 모델이 공정하고 편견이 없으며 실제로 게재되고 있습니다 그 목적은 옳은가? 사람들에게 매우 쉽기 때문에 그들이 수동으로하고있는 것을 취하고 결국 끝내기 위해, 인코딩 바이어스 그래서 그것의 한 부분에서 우리가하는 일은 우리는 다양한 도구를 제공하고 있습니다

우리가 작업하고있는 가장 흥미로운 것들 중 하나 Cloud AutoML입니다 따라서 Cloud AutoML은 사용자가 우리에게 줄 수있는 방법입니다 데이터 세트를 만든 다음 기계를 사용합니다 그 데이터를위한 기계 학습 모델을 만드는 법을 배웁니다 세트

우리가이 일을하는 첫 번째 영역 당신이 우리에게 줄 수있는 이미지 인식입니다 레이블이 지정된 일련의 이미지가 표시되면 매우 정확한 모델을 맨 위에 놓으십시오 이미지를 예측할 수 있습니다 그래서 이것이 그 사실을 확장시키는 데 도움이되었습니다 우리는 그것에 접근하기 위해 등록한 15,000 명의 사람들이 있습니다

그리고 우리는 놀라운 사용 사례를보고 있습니다 정말 큰 회사에서 아주 작은 회사에 이르기까지 주위에 일을하고 있습니다 예를 들어, 농민들이 밭을 관리하거나 쓰레기를 추적하는 것을 돕는다 생산자에게 쓰레기를 되돌려 주도록하십시오 페르난다 비에 가스 : 기술적 전문성 AutoML을 사용하려면 사용자로서 필요합니까? RAJEN SHETH : 네, 좋은 질문입니다

우리는 그것을 만들기 위해 방향을 잡으려고합니다 ML이 제한적이거나 필요하지 않도록해야합니다 그것을 사용할 수있는 전문 지식 그리고 우리 UI를 보면, 그것은 매우 유사합니다 Google 포토

사진을 업로드합니다 라벨을 붙이세요 실제로 다프네 (Daphne)와 많은 서비스를 통합하고 있습니다 팀이 원한다면 우리에게 라벨을 붙이기 위해 사용하고 있습니다 그리고 당신은 기차에 탔고, 그러면 우리는 당신을위한 모델을 만드십시오

그러나 올바른 데이터를 얻는 것은 세트가 핵심 부분입니다 따라서 모델을 만들 필요가없는 경우에도, 올바른 데이터 세트를 만들어야합니다 그리고 거기에서, 우리는 확실한 도구를 제공하려고 노력하고 있습니다 사람들은 올바른 데이터 세트를 만들 수 있습니다 데이터 세트에 결함이있는 곳을 찾아냅니다

그리고 나서 이것의 반대편에서 편견과 같은 것들, 우리는 그 주변의 도구를 알아 내려고 노력하고 있습니다 모범 사례를 통해 고객에게 조언을 제공합니다 그들이 넣는 데이터 세트가 실제로 올바른 결과를 얻을 수 있습니다 페르난다 비에 : 괜찮아 데이터가 계속 병목 현상의 하나가되고 있습니다

RAJEN SHETH : 이것이이 기초입니다 그리고 잘못된 데이터를 넣으면 결국 잘못된 결과와 함께 페르난다 비 에츠 : 네 승인 존, 주제의, 모두가보고있는 것처럼, 데이터 집합의 다양성 – 다양성 또한 이러한 경험을 어떻게 작성합니까? 컴퓨터 학습 자체가 아닌 사용자를 위해 전문가,이 기술을 사용할 수 있습니까? 나는 또한 당신에게 다양성에 대해 듣기를 좋아합니다

기계 학습 측면의 표현, 개발자 연구원 내가 너를보고있는 이유는 네가 과학자들과 일하고있다 그래서 잠재적으로 필요로하는 사람들입니다 맞춤형 모델 그들은 때로는 봉투를 밀고있을 것입니다

그러나 그들은 기계 학습 전문가가 될 수 없습니다 그래서 나는 당신의 생각에 대해 궁금합니다 존 플래트 : 글쎄, 과학은 점점 커지고있다 점점 더 데이터 중심으로 발전 할 것입니다 물리학자를 비롯한 많은 과학자, 생물 학자들에게 지질 학자들, 그들은 일을한다

많은 양의 데이터를 수집합니다 그래서 그들은 이미 데이터 과학에 종사하고 있습니다 그리고 지금 큰 기회가 있습니다 그들 스스로가 훨씬 더 많은 것을 배우기 위해 기계 학습을 사용하도록 생산적인 내가 보는 방식은 친절 하네

과학자에게 수천을주는 것 같이 학부 보조자의, 즉, 볼 일, 슬라이드 – 당신이 세포의 슬라이드를 검사 할 수 있다면, 당신은 수천 명의 보조원이 당신을 위해 그것을 볼 수 있습니다 그것은 일종의 예입니다 그래서 이것이 당신의 질문에 답하는 지 모르겠습니다 그러나 나는 우리가 할 수있는 것에 정말로 흥분한다 과학자들이 도움을 줄 수있는 구체적인 방법을 도울 수있는 모델을 만든다

그들의 연구를 가속화합니다 그리고 우리는 실제로 과학자들과 협력합니다 이러한 종류의 모델을 구축하는 데 도움이됩니다 그래서 나는 당신의 질문에 대답하기를 바랍니다 페르난다 비 에츠 : 어떤 종류의 과학자들인가요? 너 같이 일하고있어? John PLATT : 음, 적용된 과학 사람들, 생물 의학 연구를 시도하는 우리 무리가 있습니다

질병의 핵심 연구를 이해한다 신경 퇴행성 질환과 같은 기후와 에너지를 연구하는 우리 무리가 있습니다 그래서 우리는 TAE Technologies라는 회사와 일하고 있습니다 우리가 융합 에너지를 만들 수 있는지 알아 내려면 상업적으로 적합하게 만드십시오 그래서 우리는 생물학, 물리학, 화학 전반에 걸쳐 있습니다

우리는 양자 화학을 모방하는 많은 사람들과 협력합니다 페르난다 비에 가스 : 그리고 나는 같은 질문을 짐작한다 나는 Rajen에게 물었다 나는 너에게 묻고 싶다 그게 가장 큰 것 같아

오늘날 과학자들이 이런 종류의 일을하기가 어렵다 패턴이 있습니까? 데이터입니까? 모델을 조합하는 방법을 이해하고 있습니까? 너 뭐가 보이니? John PLATT : 글쎄, 그들은 일반적으로 모델 중 일부는 만들지 만 모델 자체를 만들고 싶습니다 과학자와 컴퓨터 사이에 증가하는 교차가 있습니다 과학자 그러나 나는 그들이 생산성 도구를 갖고 싶어한다고 생각합니다 즉, 생산성 도구를 구축 할 수 있도록 도와 줄 수 있습니까? 그들 자신의 연구를 위해서? 그리고 그들은 스스로 그것을 만들려고 노력할 수도 있습니다

그들이 기계 학습을 알고 있거나 우리가 그들을 도울 수 있다면 페르난다 비에 : 괜찮아 그래서 그 라인을 따라, 물건 중 하나 나는 아주 흥분했다 몇 달 전, PAIR의 사람들, Google의 다른 사람들과 협력하여 TensorFlowjs를 시작했습니다

그리고 이것은 정말로 중요합니다 우리가 말한 것에 관해서는 기술을 민주화하고 기계 학습 웹 TensorFlowjs는 웹의 모국어를 구사하며, 자바 스크립트를 말한다 그리고 지금은 완전히 새로운 세트를 가지고 있습니다

~을 시작할 수있는 개발자의 이 기술의 이점 그리고 우리는 이미보기 시작했습니다 몇 가지 흥미로운 응용 프로그램 예를 들어, 마우스를 만들기 위해 자신의 웹 카메라를 기반으로 모델을 훈련시키는 것 그가보고있는 곳에서 다른 방향으로 이동하십시오 그래서 그가 위로 쳐다 보면 마우스가 올라갈 것입니다

그가 내려다 본다면, 마우스가 내려갈 것입니다 그가 그렇게 한 이유는 그가 시도했기 때문이었습니다 뇌졸중을 앓 았던 친구를 돕기 위해 하반신 마비가되었습니다 그래서 저에게 다시 말하기 시작합니다 데려 갈 수있는 가능성에 대해 이 기술을 개인적으로 – 무엇이 필요합니까? 특정 목적을 위해이 모델을 어떻게 훈련시킬 수 있습니까? 우리가 기술의 민주화에 관해 이야기 할 때, 우리가 그것을 모두에게 가져 오는 것에 대해 이야기 할 때, 내가 Google에서 생각하는 것 중 하나 우리가 통찰력을 가지고 그렇게해야한다는 것을 매우 염두에 두었습니다

책임감 당신은 앞으로 생각하고 싶다 그래서 내가 가진 한 가지 질문, Rajen입니다 이 서비스를 제공하기 때문에 나쁜 행위자가 당신의 서비스를 사용하려고한다면 어떻게됩니까? 그리고 어떤 안전 장치를 제공 할 수 있습니까? RAJEN SHETH : 네 그게 큰 질문입니다

그것은 우리를위한 마음의 맨 위에 있습니다 더 많은 사람들이 AI를 사용하는 것을 보았을 때, 우리는 우리가 이러한 안전 장치를 제공하고 있는지, 안전 장치인지 모범 사례 이건간에 올바른 방법으로 사용되는지 확인하십시오 한편으로는 오픈 소스와 같은 것들이있을 때 기술, 사람들을 막는 것은 매우 어렵습니다 그들이 나쁜 일을하고 싶다면 나쁜 일을하는 것 그러나 우리가 구름으로 얻게되는 이점 중 하나는 우리가 할 수있는 것입니다

우리는 서비스 또는 수용 가능한 사용 정책의 관점에서, 사람들을 확신시키는 그런 것들 이것을 올바른 방법으로 사용하고 있습니다 우리가 AI로 발견 한 것 중 하나는 우리가 그것을 재고해야한다는 것입니다 더 이상 인프라 기술이 아닙니다 우리는 그 사용법을 다시 생각해야한다 그리고 그것은 우리가 꽤하고있는 것입니다

나를 걱정하는 또 다른 일 나쁜 배우들, 사람들 무의식적으로 나쁜 일을하는 것 그들이 있다는 것을 알지도 못합니다 그리고 그것은 어떤 것들로 돌아갑니다 우리는 편향과 공정성에 대해 이야기했습니다 많은 경우 사람들은 의도하지 않습니다 편향된 것을 만들려면 그러나 그들은 결국 무언가를 창조하게됩니다

그것은 들어오는 데이터로 인해 편향되어 있습니다 그게 우리가하는 또 다른 영역입니다 꽤 많이 보았습니다 이것이 우리가 사람들을 도울 수있는 방법입니다 고객, 개발자, 이 작업을 수행 할 수있는 도구는 의도하지 않게 나쁜 모델을 생성하지 않습니까? DAPHNE LUONG : 금형 제작과 함께, 나는 사람들에게 모든 것을 훈련시키는 것도 중요하다고 생각한다

처음부터 끝까지, 끝에서 끝까지, 데이터, 다양성, 데이터에 필요한 요소 우리는 실제로 심지어 annotator를 훈련시키고, 그래서 그들은 모든 경로를 따라 다양성을 가지고 있음을 알고 있습니다 그래서 저는 그것이 중요하다고 생각합니다 다른 실무자가 이해할 수 있도록 최고의 데이터, 기계 학습을위한 모범 사례 페르난다 비 에츠 : 당연하지

JOHN PLATT : 나는 보통, 나는 생각한다 연구 관점에서 이것에 대해 왜냐하면 나는 연구원이기 때문이다 그리고 우리는 논문을 쓰고 출판합니다 우리는 매우 신중하게 생각해야합니다 우리가 종이를 쓸 때

내 말은, 의도는 세계에 긍정적 인 영향을 미친다는 것입니다 그래서 우리가 논문을 발표하기 전에, 이것이 세계에 긍정적 영향을 미칠 것인가 아닌가? 자, 항상 예측할 수는 없습니다 의도하지 않은 결과가 발생할 것입니다 기술 공개 그러나 우리는 최선을 다하려고 노력합니다

그리고 우리는 일반적으로 개방성에 편향되어 있습니다 그것은 단지 일반적이기 때문에, 우선 순위 이러한 기술을 공유하는 것이 더 좋습니다 페르난다 비 에츠 : 네 나는 스스로 연구원으로 말해야한다 나는 출판과 열린 소싱의 정신을 좋아합니다

그리고 나는 이런 분야에가 본 적이 없다 전에 전체 아이디어를 게시하는 곳 당신이 발견 한대로 그런 다음 회의에 제출합니다 나는 전에 그것을 본 적이 없었다 그리고 그것은 그것이 훌륭하다고 생각합니다

필드가 훨씬 빠르게 진행됨을 의미합니다 나는 우리가 이야기하고 있던 한 지점으로 돌아가고 싶다 이 생각이 거기 있을지도 모른다 의도하지 않은 결과가 될 수있다 또는 최선의 의도로도, 데이터가 편향된 것을 알지 못할 수도 있습니다

또는 비뚤어 지거나 뭔가있을 수 있습니다 그리고 거기에 나가고 싶은 한 가지 생각은 사람들이 데이터를 검사 할 수 있도록 도구를 작성하고, 또한 사람들의 공동체를 개방한다 이 물건들을 검사하는 사람 예를 들어, PAIR에서 우리가 한 일 중 하나는 건물 도구, 시각화 도구, 전체 데이터 세트를 시각화하여 너는 아주 쉽게 물건들을 볼 수있어 오, 이거

내 데이터의 모양입니다 이것은 배포판입니다 이것은 여성 데이터 포인트 또는 남성 데이터의 모습입니다 포인트 또는 하위 데이터 포인트 이것이 의미하는 바는 이 사용자 인터페이스는 경험, 시각화, 그것은 개발자가 이것을 볼 수있을뿐만 아니라 의미합니다

즉, 제품 관리자가이를 볼 수 있음을 의미합니다 임원, 누구나– 서로 다른 이해 관계자가 대화를 시작할 수 있습니다 같이 앉아서, 오, 나도 몰라 나는 데이터 세트에서 이상한 것을 보았다 아니면 당신이 생각할 때 우리는 어떻게 될 것이라고 생각합니까? 여기에이 차원의 패싯? 그래서 나는 너의 생각을 조금 듣고 싶다

주변에서 대화를 넓혀야하는 중요성에 대해 모두를위한 인공 지능은 대화가 아니기 때문에 개발자들 사이에서만 일어나고 있습니다 분명히 개발자는 매우 중요합니다 그러나 나는 또한 그것이 대화라고 생각한다 보다 폭 넓은 이해 관계자가 필요합니다 RAJEN SHETH : 저도 그렇게 생각했습니다

그리고 너 재미있어 이전 대화에서 이것이 얼마나 빨리 진행되고 있는지 이야기합니다 일반적으로 고객에게 내 프레젠테이션을 시작하는 한 가지 방법 첫번째 슬라이드입니다, 저는 모자이크 브라우저의 그림을 보여줍니다 1994 년 그리고 저의 요점은 우리 모두, 우리는 그것이 무엇인지 기억하십시오

그리고 그 시점 이전에, 인터넷 그 시점 이전에 매우 오랜 시간 동안 주변에 있었다 하지만 인터넷이 시작된 때였습니다 더 많은 것을 위해 더 많은 사람들에게 나가기 스포츠 점수를 확인하는 것에서부터 모든 것을 보았습니다 전자 상거래, 모든 종류의 것들

그리고 더 많은 가능성을 열었습니다 그리고 더 많은 질문을 열었습니다 페르난다 비 에츠 : 네 RAJEN SHETH : 그리고 또한 질문합니다 더 많은 도구와 도구가 필요해졌습니다

사람들을 안전하게 만드는 도구 그리고 나는 우리가 1994 년에 있다고 생각한다 우리는 지금 AI를위한 그 시점에 있습니다 그것은 수년간 그리고 수년간 사용되어 왔습니다 그러나 지금, 그것은 사용되고 있고 많은, 더 많은 방법

그래서 우리는 그런 식으로 금형에 대해 생각할 필요가 있다고 생각합니다 매일 새로운 문제가 생기기 시작합니다 그리고 매일 새로운 기술들이 나오고 있습니다 그래서 우리는 그것에 대해서 생각할 필요가있을 것입니다 개발자 커뮤니티로서 그것이 사용되는 방법과 사람들과 조화를 이루어 그것은 영향을 미치고 있습니다

존 플래트 : Rajen과 나는 단지 첫 번째 스팸 탐지기에 대해 이야기하기 우리가 1997 년에 오기 전에 나는 80 년대에 보낸 첫 번째 스팸 전자 메일을 기억합니다 새로운 문제가 생기면 문제를 해결하는 데 도움이되는 새로운 도구가 필요합니다 RAJEN SHETH : 그것은 좋은 지적입니다, 오랫동안 당신은 스팸 탐지기를 필요로하지 않았습니다 그리고 갑자기 모든 것이 일어났습니다

그리고 나서 그 도구로 작업 할 수 있어야합니다 페르난다 비에 가스 : 또 다른 측면, 또 다른 측면 대화의 폭을 넓히고, 특히 제품에 대해서도 이야기 할 때, 같은 방에 있다는 개념입니다 기술 팀, 설계 팀, 예를 들어, 그리고 당신의 PMs 등등 Google에서하는 일 중 하나가 디자이너, UXers를 참여시키는 방법을 찾고있다 처음부터 컴퓨터를 중심으로 교육 디자인 자료로 학습

문자 그대로, 어떻게 생각하십니까? 디자인 할 소재? 그리고 그것에 대해 생각한다면 그것은 매우 도전적인 자료입니다 제품의 각 사람이 약간 다른 사용자 경험이있을 수 있습니다 내 경험은 당신과 매우 다를 수 있습니다 어떤 것들은 다른 방법으로 자동화 될 수 있습니다 다른 시간에 다른 사람들을 위해

그리고 그것은 그 UX, 사용자 상호 작용, 훨씬 더 도전적입니다 그 공간은 훨씬 커집니다 그리고 다시, 우리가 모든 사람들을위한 인공 지능에 대해 이야기 할 때, 정말이 대화를 의미합니다 여러 당사자간에 발생해야합니다 우리가 다 떨어지기 전에 돌아와야 할 한가지 시간, 존,이 과학의 개념입니다

내가 생각하기에 흥미로운 점 중 하나는 주변은 기계 학습이 과학자들을위한 새로운 패러다임이 되라 마침내 우리는 확실하게 해결할 수있었습니다 이러한 새로운 도구를 사용하여 복잡한 과학적 문제 그래서 나는 왜 당신의 생각이 궁금하니? 이 인공 지능은 매우 복잡한 공간에서 그러한 차이를 만듭니다 John PLATT : 글쎄, 그것은 훌륭한 질문입니다

현재 AI 및 기계 학습의 현재 상태 여전히 매우 지각 적이다 우리는 이미지를보고 소리를 듣는 데 아주 능숙합니다 그리고 제가 전에 말했듯이 여러분은 상상할 수 있습니다 저는 수천 명의 학부생에 대해 이야기하고 싶습니다 그들은 데이터를 듣거나 볼 것입니다

그리고 이것은 과학에 대한 훌륭한 생산성 용어입니다 장기적으로는– 사람들은 이것에 대해 연구하기 시작했습니다 그러나 장기적으로 볼 때 우리가 정말로 인과 관계 모델 (causal model) 기계 학습 또는 인공 지능 알고리즘이 실제로 시도하는 곳 무엇이 무엇을 일으켰는지 이해합니다 제 말은 아직 연구 초기에 매우 초창기입니다 하지만 그것은 거의 과학의 핵심입니다

과학적 모델은 이것을 일으킨 원인을 설명합니다 그리고 당신이 인과 관계 모델이 무엇인지 안다면 당신은 추정 할 수 있습니다 그래서 저는 이것이 AI의 장기적인 추세라고 생각합니다 그러나 우리 모델은 실제로 그렇게하지 않기 때문에 아직 존재하지 않습니다 인과 관계를 아직 이해하지 못한다

페르난다 비에 가스 : 그래서 그 라인을 따라 것들 중 하나, 우리는 캠브리지에있는 우리 그룹의 객원 과학자가있었습니다 그는 지진 과학에있어 너 내가 누군지 알지 하버드 대 교수입니다 우리와 함께 1 년 반을 보냈습니다

그리고 내가 생각했던 것들 중 하나는 엄청나게 그가하고있는 일에 영감을 불어 넣었습니다 지진 과학자로서 지진을 예측하고 싶습니다 엄청나게 어렵습니다 우리는 아직 잘 할 수 없다 하지만 그가 할 수 있었던 일은

그래서 나는 지진 과학에 대해 아무것도 몰랐다 그는 이것이 나에게 과학의 종류라고 설명했다 HPC, 고성능 컴퓨팅에 살고 있습니다

거대하고 거대한 컴퓨터로 전체 주를 보낼 것입니다 매우 거칠게 계산을하고, 여진이 어디에서 일어날 지 시뮬레이션한다 지진 후에 일어난 일 캘리포니아 주민들은 네가 할거라고 확신 해 일주일이 걸리는 것을 상상해보십시오 거대한 컴퓨터에서

그는 이러한 종류의 시뮬레이션 결과를 얻을 수있었습니다 그것은 단순한 신경망을 사용하는 것만 큼 좋았습니다 너무 단순 해 신경망은 아주 간단했습니다 그것은 신경망의 종류였습니다 뉴런을 셀 수있는 곳

그것이 얼마나 간단한 지입니다 그리고 하나, 그는 기절하고 엄청나게 행복했습니다 그가 일주일 내내 기다릴 필요가 없다는 의미로 동일한 종류의 컴퓨팅 능력을 사용하여 그가하고 있었던 시뮬레이션 그래서 그 자체로 승리했습니다 그러나 더 깊은 질문과 그 중 하나 그건 나에게 많은 흥분을 안긴다

이 신경망이 정확히 무엇인지 알아내는 것입니다 우리가 알아 내지 못한 지구 물리학에 대해 아직? 그리고 우리가이 시스템이하는 일을 해석 할 수 있다면, 이 신경망이 무엇을하고 있었는지, 우리가 그것으로부터 배울 수 있다면, 우리는 더 나은 과학자가 될 수 있을까요? 그리고 과학에서 이것을보기 시작합니다 의학에서 이것을보기 시작했습니다 예를 들어, 당뇨병 성 망막증과 함께 작용하는 뇌, 이 시스템들이 등의 이미지를보고있는 곳 너의 안저, 너의 안저 그리고 그들이 이해할 수있을뿐만 아니라 당신은 당뇨병 성 망막증이 있습니다

그러나 그들은 또한 일을 할 수 있습니다 환자의 성별을 이해하는 것 심혈관 질환 위험, 사물 의사들은 반드시 그럴 필요는 없다 이 이미지들을 보라 그래서 다시, 경주의 일부는 이 시스템이 무엇인지를 이해하는 것 우리가 배울 수 없었던 것? 그래서 우리는 더 나은 의사, 더 나은 과학자가 될 수 있을까요? 이것을 사용하여? 우리가 다시 배울 수 있을까요? 우리는이 기계들로부터 귀 기울일 수 있습니까? 그래서 우리는 몇 분 남았습니다 하지만 두 가지 더 질문이 있습니다

하나는 당신을위한 것입니다, Rajen 당신은 AI의 능력에 대해 무엇을 보았습니까? 정말 기업을 돕기 위해? 나는 무엇에 대해 궁금해 가장 성공적인 사례 중 일부였습니다 그러나 또한 가장 놀라운 일부는? 그리고 너는 마치 우리가 AI를 할 수 있다는 것을 몰랐다 RAJEN SHETH : 예, 예

우리가 본 것들이 많이 있습니다 확실히 특정 산업이 있습니다 더 먼 미래입니다 물론 테크 산업은 많이 사용되고 있습니다 금융 서비스는 이미 많이 사용됩니다

그러나 많은 새로운 사용 사례가 있습니다 나는 꽤 훌륭하다고 생각합니다 제조 라인과 마찬가지로 우리가 보는 몇 가지 예입니다 비전을 사용하여 부품이 양호한 지 여부를 파악할 수 있습니까? 타이어가 공장 라인에서 내려 오는 것처럼 좋은 타이어가 될지 아니면 실제로 그 사람에게 위험을 감수해야한다 그 종류의 것들은 우리가보기 시작하는 것들입니다

소매는 또 다른 경우입니다 당신은 실제로 그것을 어떻게 만들어서 당신이 사용자의 경험을 더 좋게 만들 수 있습니까? 그래서 나는 당신에게 모범을 보일 것이다 우리는 Disney와 AutoML을 사용하고 있습니다 내 아들은 거대한 Lightning McQueen이 될 것입니다 팬, "자동차"

그리고 많은 사람들이 애들이나 가족들을 디즈니 팬들입니다 그는 디즈니 물건에 대한 탐욕스런 식욕이있다 라이트닝 맥퀸 (Lightning McQueen)과 함께 이제 우리가 개발 한 기술로, 당신은 모든 것을 쇼핑 디즈니에서 검색 할 수 있습니다 Lightning McQueen과 함께, 그것을 말하든 말든 묘사에서 또는 아닙니다

그것은 육안 검사로 할 것입니다 그런 종류의 일은 정말로 흥미 롭습니다 흥미로운 사용 사례 그래서 우리는 그것을보기 시작했습니다 내가 중요하다고 생각하는 것들 중 하나는, 그래도 우리는 사업을 시작해야 할 필요가 있다는 것입니다

그들이 생각하지 않는 곳, 이봐, 난 AI를 사용하여이 일을하고 있지만, 어디에서 사용자는 마술을 느끼고 있습니다 그리고 그것이 표지 뒤에 AI인지 아닌지는 중요하지 않습니다 그리고 그것이 내가 생각하는 것입니다 Google 포토 등으로 완성 AI에 관한 것이 아니기 때문에 그것은 정말 대단합니다 그것은 사용자 경험에 관한 것입니다

페르난다 비에 가스 : 정말 대단합니다 그래서 우리는 몇 가지 도전에 대해 이야기했습니다 일부 전략 나는 기회를 끝내고 싶다 우리는 몇 가지 기회에 대해서도 이야기했습니다

하지만 그 메모를 끝내기를 원합니다 작년에 우리는 AI가 존재한다는 것을 보았습니다 정말 흥미로운 방식으로 다양한 도메인에 적용됩니다 그래서 당신에게는 의학, 과학이 있습니다 너는 경작이있다

우리는 그러한 예들에 대해서 이야기하고있었습니다 그리고 저는 여러분 한테서 어떤 기회가 있는지 듣고 싶습니다 당신은 몇 년 동안 그러나 많은 년간 흥분하고 있습니까? 존, 너 시작하고 싶어? 존 플랫 : 좋아 음, 생물 의학 연구에 대해서 언급 하셨 잖아요 그래서 나는 그것에 대해 이야기 할 수 없다

그래서 제가 정말 흥미 진진한 다른 프로젝트에 대해 이야기하게하겠습니다 내가 전에 언급 한 것은 우리가 실제로 융합 에너지를 얻을 수 있는지 알아보기 위해 노력하고 있습니다 실제 상업적 에너지 원 화석 연료를 대체하기 위해 지금 당장은 세상이 너무 타오르다 많은 화석 연료와 대기를 넘치게한다

이산화탄소와 그래서 우리는 실제로 기계 학습을 사용하여 이 회사 인 TAE Technologies 우리는 두 가지 방식으로 도움을주고 있습니다 실험을 최적화하려고합니다 실제로 실험 설계를 돕고 있습니다

최적화를 통해 그리고 실제로 베이지안 방법을 사용하고 있습니다 그들의 기계 내부에서 플라즈마를 디버깅합니다 페르난다 비 에츠 : 오 와아 존 플랏 : 그래서 목표는 이 플라즈마를 뜨거운 태양의 중심으로

우리가 그렇게 할 수 있다면 열 손실률을 측정 할 수 있습니다 우리가 실제로 상업적으로 갈 수 있는지 확인하십시오 관련 융합, 정말, 내 생각 엔, 세상에 혁명을 일으켰습니다 페르난다 비에 가스 : 우리는 언제 그것을 기대할 수 있습니까? JOHN PLATT : 음, 나는 약속 할 것을 원하지 않습니다 저는 2019 년에 훌륭한 과학적 결과를 얻을 것이라고 생각합니다

우리는 그들이 손익분기 점화라고 부르는 것을 가지지 않을 것입니다 하지만 우리는 열을 예측하는 매우 견고한 결과를 보일 것입니다 손실률 그래서 우리는 약 1 년 후에 더 많은 것을 알게 될 것입니다 페르난다 비에 가스 : 굉장해

DAPHNE LUONG : 저에게는 두 가지 사실에 매우 흥분하고 있습니다 첫 번째 일은 계속 진행할 것입니다 실제로 구축 한 Crowdsource 기여자와 협력 다양하고 세계적으로 다양한 데이터 세트, 한 회사가 그 자체로는 건설 할 수 없다는 것, 실제로 모든 사람들을 세계를 대표하는 것에 열정적이다 우리는 소스를 열 수있는 데이터 세트를 만들 수 있습니다 모든 사람이 사용할 수 있습니다

그런 다음 기계 학습을 위해서도 마찬가지입니다 나는 밖에서 자원 봉사를 많이하기 때문에 전 세계의 사회적 기업가들과 함께, 비영리 단체에서 ML을 사용할 수 있는지 확인하고 싶습니다 일종의 대기 질 모델이나 [INAUDIBLE] 책을 할 수 있습니다 그들은 수천명을위한 서적을 만들기 위해 번역을 사용하여 다른 언어들과 모국어로 그래서 저는 그것이 흥미로운 것이라고 생각합니다 나는 그것을 고대하고 있습니다

페르난다 비 에츠 : 좋았어 RAJEN SHETH : 저를 위해서 생각합니다 내가 열정적 인 두 가지가 있습니다 하나는 건강 관리이고 다른 하나는 교육입니다 그리고 건강 관리, 바로이 아이디어 당신이 말했던 것처럼 AI 사용 가능 조기 질병 탐지를 수행합니다

당신은 한 사람에게이 놀라운 영향을 미칩니다 그리고 많은 인간들에게, 그것들과 그 주변의 가족들에게 그런 것들 그리고 저도 그렇게 생각할 수 있습니다 교육, 나는 대부분의 시간을 보낸다 여기 Google에서 교육용 제품을 연구하고 있습니다

모든 학생들이 환경을 상상할 수있는 아이디어 그들이 배우고 싶어하는 방식으로 배울 수 있습니다 자신의 페이스대로, 자신의 스타일로 – 인공 지능으로 변형 될 수있는 힘을 얻는 것 모든 개인의 잠재력을 활용할 수 있습니다 전에 불가능했던 방식으로 페르난다 비에 가스 : 나는 그걸로부터 갈거야 다시 말하지만, 정말로 TensorFlow

js와 같은 것들로 보는 영감 우리는 현재 여러 대학에 교수가 있습니다 누가 이것을 둘러싼 교육 자료를 만들고 있는지 그리고 그것이 정말로 중요하다고 생각합니다 나는 이것에 대해 정말로 흥분한다 이 기술에 진입 장벽, 그러나 그것은 또한 생각합니다

훨씬 더 다양한 세트를 치기 시작합니다 사용에 관심이있는 개발자 다른 것들을위한이 기술 우리가 아직 꿈도 꾸지 못했던 그래서 저는 그것에 대해 매우 흥분합니다 내가 생각하기에 정말 좋은 것은 기계 학습을 둘러싼 대화 방법 윤리와 공정성과 같은 것들을 접하기 시작했습니다 그리고 그것이 정말로 중요하다고 생각합니다 저는 Google에서 매우 깊이 생각합니다

이 질문들에 대해서 연구의 관점에서 볼 때, 우리가 도울 수있는 연구는 무엇인가? 이러한 문제 중 일부를 해결할 수 있습니까? 그러나 정책, 제품 – 현명한, 디자인 – 현명한, 그것은 더 넓은 대화 그래서 저는 우리 패널에 감사 할 것입니다 정말 고맙습니다 그것은 당신의 통찰력뿐만 아니라, 그러나 당신이 당신의 경험을 공유하게하기 위해서, 내가 말했듯이이 주제에 대한 Google의 여러 부분에서 오늘 우리와 함께

고맙습니다 존 플래트 : 고마워 페르난다 비 에츠 : 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]