Customer Stories: Transforming Businesses with Cloud AI Solutions (Cloud Next '19)

[음악 재생] LUKMAN RAMSEY : 와줘서 고마워 MLAI223입니다

고객 사례 – 변화하는 비즈니스 클라우드 AI 솔루션 그래서 오늘 우리는 몇 가지 소식을들을 것입니다 셋, 사실 – 자체 스토리에 대한 Google 클라우드 고객의 변화 Google 클라우드에서 AI 및 ML 기술을 사용하는 비즈니스 오늘 화자가 올 것입니다 세 명의 다른 고객으로부터 우리는 미노리 (Minori)의 말을 듣고 시작할 것입니다 Nissen의 Matsuda

그 다음 Chevron의 Laura Bandura에서 소식을 들려 드리겠습니다 마지막으로 히타치 컨설팅의 저스틴 홉슨 (Justin Hopson) 그리고 세션이 끝나면 거기에 희망적으로 Q & A를위한 약간의 시간이되어야합니다 이 세션에는 도리가 있습니다 다른 많은 탈주가 있었기 때문에 이 링크를 클릭하면 우리가 할 수있는 발표자에게 질문 할 수 있어야합니다

만일 우리가 당회의 마지막에 도착하지 않는다면, 우리는 도리에서 그들을 반드시 대답 할 것입니다 회의가 끝날 때까지 그래서 몇 분만 반복해서 보냅니다 들었던 것들 중 일부 오늘 아침 Rajen Sheth, PM의 기조 연설에서 클라우드 AI 솔루션에 대한 클라우드 AI 우리는 몇 가지 새로운 클라우드 AI 솔루션을 발표했습니다 여기에 다음 이 솔루션의 배경은 Google AI 전문 지식과 제품을 결합하는 방법 이미 생태계에 익숙하다는 것, 파트너 서비스 및 파트너 기술 서비스, 엔드 투 엔드 AI 솔루션의 배포를 데이터를 활용할 수 있지만 기존 데이터에 연결할 수 있습니다

기술과 워크 플로우는 끝을 해결합니다 비즈니스 문제를 끝내기 그럼 조금 더 자세히 살펴 봅시다 다시 말하면, 이러한 솔루션은 목표로 삼고 있습니다 여기서 볼 수있는 모든 업종에 대해 소매 및 제조, 건강 관리, 미디어 및 엔터테인먼트, 등등

그리고 초점은 단지 기계 학습을 구축하는 것이 아니라 특정 유즈 케이스에 대한 예측을 수행하는 모델, 오히려 엔드 투 엔드 솔루션을 구축하는 것이 데이터를 수신하고, 데이터를 사전 처리하며, 모델을 통해 실행 한 다음 그 결과를 제공합니다 팀이 통합 할 최종 애플리케이션, 다시 한 번 실제 비즈니스 문제를 해결하십시오 따라서 주요 새로운 발표 중 하나 우리는 Cloud AI 솔루션을 위해 다음에 만들었습니다 AI를 이해하는 새로운 문서입니다 다시 말하지만, 문서를 대상으로하는 포괄적 인 솔루션 다양한 종류의 문서를 이해할 수 있습니다

이 문서에서 통찰력을 추출 할 수 있으며, 기본적으로 핵심 빌딩 블록입니다 솔루션의 종단점이 될 수있는 것 문서 관리, 문서 제어, 등등 우리는 또한 Next, Recommendations AI, 최첨단 AI 서비스입니다 이를 통해 소매 고객은 권장 사항에 전력을 공급할 수 있습니다 그것은 완전히 관리되는 서비스입니다 이 서비스에 데이터를 업로드하는 것은 매우 쉽습니다

통합을 수행합니다 그런 다음 권장 사항을 제공 할 수 있습니다 모든 엔드 포인트로 따라서 기존 웹 사이트와 통합 할 수 있습니다 예를 들면

초기 배포로 인해 극적인 결과가 나타났습니다 지난 1 년 또는 1 년 반 동안 소매 공간에서 여러 고객과 함께, 클릭 수 90 % 증가와 같은 눈이 떨어지는 수치 포함 전환율 40 % 상승, 경우에 따라서는 수입도 크게 늘었습니다 마지막으로 Contact Center AI에 대해 말씀 드리고자합니다 이것은 실제로 마지막에 발표되었습니다 다음, 그러나 우리는 계속해서이 솔루션을 확장하고 구축했습니다 그리고 이것은 일련의 기술들 중 좋은 예입니다

그것은 모두 특정 비즈니스를 해결하기위한 것입니다 문제, 즉 AI 전원 콘택트 센터 활성화 기존의 컨택 센터를 이용하거나 AI 기능을 주입합니다 다시 한번 이것은 매우 포괄적 인 세트의 일부입니다 우리가 지금 가지고있는 도구와 빌딩 블록들 Cloud AI에서 우리가 발표 한 다른 많은 발표를 포함하여 AutoML 테이블과 같은 것을 포함하여 여기에있는 Next에서, 내가 무척 흥분되는 무언가 그리고 실제로 이것은 AI 플랫폼입니다

나는 회의가 열리기 직전에 그 이름이 바뀌 었다고 생각한다 모든 하드웨어 가속 및 프레임 워크 우리가 지원합니다 TensorFlow는 분명히하지만 다른 일반적인 프레임 워크 scikit-learn, Spark, 및 PyTorch Machine Learning 파트너의 성장 생태계뿐만 아니라 솔루션을 구축하는 데 도움이 될 수 있습니다 Google과 협력하여 솔루션을 배포 할 수 있습니다

또는 대부분의 경우 Google과 파트너 및 함께 해결책을 만들 것입니다 그리고 다시, 우리는 매우 커지고 성장하는 세트를 가지고 있습니다 이 여행에서 당신을 도울 수있는 솔루션 파트너가 필요합니다 괜찮아 이를 통해 첫 고객을 소개하겠습니다

스피커 Nissen의 데이터 과학자 인 Minori Matsuda입니다 미노리, 무대에 오신 것을 환영합니다 미노리 마츠다 : 대단히 감사합니다 오늘은 추천 시스템에 대해 이야기합니다

GCP에 내장되어 있습니다 우선, 나는 Minori와 7 & i Holdings의 데이터 과학자입니다 그리고 주로, 저는 기계 학습을하고 있습니다 그리고 우리 회사와 우리 그룹을 소개하겠습니다 우리 그룹은 일본에서 가장 큰 소매점 중 하나이며, 원래 메일 마케팅을 기반으로합니다

우리는 일본의 대부분의 가구 데이터를 다루고 있습니다 일본의 30 개가 넘는 평균 가구 데이터 그리고 우리는 주로 유행 아이템을 소매하고 있습니다 이것은 우리 회사입니다 그리고 우리의 데이터는 총 처리 중입니다

자연 언어 및 제품 이미지 고객 속성 데이터 및 고객 행동 제품 설명과 같은 로그 고객 라벨, 자연어 처리, 이들은 주로 일본어입니다 1 백만 플러스 이미지와 3 천만 가구 이상에서, 내가 말했듯이 그리고 물론 우리는 문자 그대로 웹 사이트에 있습니다 그래서 우리는 많은 트랜잭션 데이터를 찾을 수있는 웹 사이트 카탈로그를 가지고 있습니다 승인

그리고 이제 우리에게는 세 가지 도전이 있습니다 Google Cloud를 사용하기 전에 우리가 가지고 있었던 하나는 처음부터 모델을 생성해야한다는 것입니다 따라서 우리는 많은 데이터를 가지고 있으므로 고유 한 제품 기능에 레이블을 붙입니다 데이터베이스에서 두 번째는 민첩하고 모델링 속도입니다

그리고 우리는 매년 5 번 종이 카탈로그를 발행했습니다 그래서 우리는 200 가지가 넘는 다양한 모델링과 모델 제작을합니다 그러나 웹 사이트 비즈니스 속도에 적응하는 것은 정말 느립니다 그리고 셋째, 모델의 상호 운용성 그리고 대부분의 알고리즘과 대부분의 소프트웨어 패키지 안에있는 블랙 박스입니다

따라서 비즈니스 측면에 대해 설명 할 수있는 피드백을 드릴 수는 없습니다 모델 그리고 설문 조사는 몇 달 안에 시작해야했습니다 그 개요 이것은 이미지 유사성의 예 중 하나입니다 항목 추천

따라서 기술적으로 추출 된 피쳐 길쌈 신경 네트워크에 의해 TensorFlow의 무 감독 학습 우리가 가장 많이 찾는 것은 왼쪽이다 그 드레스와 오른쪽 드레스는 비슷한 제품입니다 기계가 인식 할 수 있습니다 그리고 이것에 관해 조금 흥미로운 비디오를 보여 드리겠습니다

인식 가능한 이미지는 어떻게 볼 수 있습니까? 나는 10,000 개의 제품 이미지를 TensorBot에 가져 왔습니다 TensorBot은 TensorFlow의 시각화 도구입니다 보시다시피, 많은 제품이 있습니다 그리고 클러스터링 작업을 컴퓨터에 제공합니다 클러스터링

이것은 자율 학습입니다 그리고 나는이 선들이 나쁘다는 것을 기계에 말하지 않는다 그리고 내가 선택한이 선들 나는 기계에 말하지 않지만 기계는 이런 식으로 자동 분류 할 수 있습니다 이를 치수 축소라고합니다

원래 각 점에는 300 차원 벡터가 있고, 그러나 그 후에 기계는 그 분류를 인식 할 수 있습니다 이것은 침대, 즉 침대입니다 네 네 이렇게 또한 기계는 여러분이 아는 것처럼 이해할 수 있습니다

언어, 단어 및 문서와 같은 자연어 이전과 마찬가지로 과제를 부여합니다 자연 언어의 자율 학습을 위해, 요통과 자세가 기계에 알려집니다 비슷한 언어입니다 그리고 그것은 부패하고 있습니다

승인 데이터를 모으고, 데이터를 모으고, 이것은보기 어려울 수도 있지만, 우리는 두 알고리즘을 조합하고있다 DNN과 같은 구조화 된 데이터 및 구조화 된 데이터 와 CNN 그리고 우리가 깊은 학습에서 얻은 것은 기계 발견입니다 제품 친화력 그 자체로, 그리고 기계가 전에 예측할 수 있습니다 콜드 스타트 ​​프로그램 판매 및 극복 고객에게 데이터가 없으므로 아무 것도 추천 할 수 없습니다

그러나 우리는 콜드 스타트 ​​문제를 극복했습니다 그리고 마침내 이것은 인간의 이해를 초월합니다 우리가이 기계가 귀엽다는 것을 기계에 가르쳐 준다면 "카와이이" 일본어가 귀엽다, 카와이 – 우리는 카와이가 무엇인지, 무엇을 말할 것인가? 기계, 기계에 귀여움 이것을 이해할 것이다 기계는 귀엽고, 귀여움의 특징 그리고 기계가 귀여움을 배운 후에, 당신이 볼 수 있듯이, 기계는 귀여운 인간의 여성 속옷을 생성합니다

그리고 나서,이 제품들은 실제로 존재하지 않습니다 그리고 그들은 생성되어야하며, 우리는 경쟁에서 진짜로 팔려고한다 인적 제품 매니저를 상대로 그래, 고마워 [박수 갈채] LUKMAN RAMSEY : 감사합니다, 미노리 괜찮아

다음으로 쉐브론 (Chevron)의 Laura Bandura에서 왔습니다 LAURA BANDURA : 안녕하세요 내 이름은 로라 반 두라 (Laura Bandura)이고, 나는 연구 지구 물리학 자다 셰브론 석유 및 가스 산업에서 우리는 너무 많은 데이터, 유산 현대적인 데이터

그것은 구름, 테이프, 여러 개의 내부 파일 시스템 및 경우에 따라 종이에 우리가이 정보를 빠르게 발굴 할 수 없다면, 이 정보의 가치는 감소된다 상당히 우리가 작업하고있는 대규모 프로젝트 매우 크고 기능이 교차하는 경향이 있습니다 그들은 매우 글로벌하고 다양한 다양성이 필요합니다

기술적 전문성이 다른 사람들의 다른 언어로 그리고 우리 모두는 함께 노력하여 이 모든 다양성을 염두에두고 가치를 창출하십시오 그리고 이것은 궁극적으로 더 나은 결정을 내리는 데 도움이됩니다 따라서 Google 어스를 사용하여 지하 표면을 탐험하는 것과 마찬가지로 지구 표면에 대한 정보를 체계화하고, 우리는 이것을 실제로 추가적인 차원으로 확장하고자합니다 시간과 깊이에

그리고 이것이 우리가 정보를 활용하는 곳입니다 그리고 우리는 종종 여러 배로 작업합니다 우리는 바위의 시대가 가장 컸습니다 우리가 일하는 시간 척도 심지어 훨씬 작은 시간대에서도 우리는 자산 수명이 있습니다

어떤 경우에는 수십 년에서 심지어 1 세기까지 걸칠 수 있습니다 가장 작은 비늘에서, 우리는 실시간으로 비즈니스 프로세스를 살펴 봅니다 전 세계의 비즈니스 운영을 모니터링합니다 하지만 가장 중요한 것은 정보에 액세스해야한다는 것입니다 우리 사업의 모든 측면과 관련하여, 둘 다 빠르고 효율적입니다

그래서 저는 앤에게 당신을 소개하고 싶습니다 San Joaquin Valley 사업부의 석유 화학자입니다 [비디오 재생] – 가장 큰 기름의 일부입니다 필드 예 : Midway Sunset Oilfield 미국에서 세 번째로 큰 그리고 캘리포니아에서 가장 큰 것

약 35,000 개의 우물이 있습니다 자, 각 우물에는 종이가 있습니다 우물에 관한 중요한 정보가있는 우물 파일 저장됩니다 그리고 그 범위는 상당히 다양 할 수 있습니다 종이의 작은 크기의 스택 – 이걸 꽤 빨리 통과 할 수 있습니다 – 분석과 데이터로 가득한 막대한 괴물에게

아니 나는 보통 종이 파일을 더 이상 통과 할 필요가 없다 대부분이 스캔 되었기 때문입니다 그래서 나는 손으로 PDF를 읽는다 대부분의 시간 동안, 나는 이미 데이터가 있다는 것을 알고있다

나는 가서 찾아 낼 수있다 그런 다음 중요한 것을 발견하면 인쇄하십시오 그러나 나는 또한 정말로 흥미로운 것을 가로 질러 우연히 만난다 이것은 모든 암석의 기록 사본입니다 그것은 1911 년부터 우물에서 뚫어야했다

그리고 이것은 정말로 snarky 편지입니다 누군가가 그들의 샘플을 학대 당했다고 썼다 보통 내가 갈 무언가를 찾으면 실제로 필요하다면, 나는 그것을 인쇄한다 그리고 이것은 제가 작업하고있는 레일 스택입니다 그리고 이것은 괜찮습니다

[끝내기] LAURA BANDURA : Anne이 제안한대로, 우리는 개선 할 기회가있다 지원할 기존 데이터 및 문서에 액세스하는 방법 지금 우리의 결정 이제 우리가 어떻게 GCP 도구를 사용하여 이러한 문제를 해결했습니다 우리 문서의 내용을 더 깊이 파고 들기 위해, 우리는 먼저 부품들을 분해 할 필요가 있습니다 맞춤 방식으로 분석 할 수 있습니다

이를 위해서는 각 문서를 세분화해야합니다 이 세그먼트는 텍스트로 분류됩니다 테이블 또는 이미지 그리고 우리는 그것을 전체 론적으로 집어 넣기 위해 그들을 주문해야합니다 그들을 문맥으로 문서가이 문서와 같은 이미지로 분류되면, 그 라벨을 추출하는 것이 중요합니다

이미지 내의 세부 사항은 물론 이미지 내에 있습니다 그래서이 경우 우리는 지질 학적 모델을 가지고 있습니다 일부 애플리케이션의 경우, 우리에게 중요합니다 그 조각뿐만 아니라 전체 이미지 자체를 이해할 수 있습니다 우리가 그 정보를 수집하는 것도 중요합니다

이 테이블을 변환하고 in 문서가 비정형 데이터 형식이고, 우리는 이것을 구조화 된 데이터 형식 분석 도구에서 사용할 수 있습니다 훨씬 더 효율적인 방법으로 Google의 문서에는 다양한 이미지 유형이 포함되어 있습니다 지구 과학에 특화된 것들이 많습니다 여기에서 볼 수 있습니다 지진 데이터에서 지구 모델에 이르기까지 다양하며, 지질 학적지도 등등

다음 중 18 명이 기억할 수도 있습니다 우리는이 이미지를 분류하기 위해 AutoML Vision을 사용했습니다 AutoML을 사용하면 쉽게 맞춤 설정할 수 있습니다 지구 모델 콘텐츠 또는 지구에 대한 분류 체계 과학 콘텐츠 우리는 단순히 우리가 가지고있는 수백 개의 이미지를 업로드합니다

그런 다음 수백 개의 이미지를 업로드합니다 그런 다음 이미지 레이블로 이미지에 라벨을 지정합니다 당신이 여기에서 볼 수 있습니다 그리고 몇 분 안에, 우리는 이미 초기 모델을 가질 수있다 모든 것을 분류하기 위해 모델을 훈련하는 데 도움이 될 수 있습니다

우리 시스템에있는 것 그런 다음이 내용을 만드는 데 사용할 수 있습니다 추가 검색 가능 AutoML 인터페이스는 사용하기가 매우 쉽습니다 매우 간단한 도구가 있습니다

AutoML에서 생성 된 혼동과 같이 사용자에게 표시됩니다 여기 매트릭스 이것은 매우 간단한 방법입니다 그와 지구 과학 전문가 어쩌면 그들이 더 많은 훈련을 추가 할 필요가 있을지 이해할 수있다 예를 들어 모델을 개선하거나 증가 할 다른 변화 정확성

어떤 경우에는 아마도 더 나은 결과를 얻으려면 모델을 더 길게 훈련해야합니다 그러나 이러한 유형의 산출물은 매우 과목의 정상적인 주제 전문가에게 쉽다 기계 학습 이외 따라서 기술 전문가가 사용할 수 있습니다 AutoML에 관해서는 매우 유용합니다

따라서 여기 다이어그램에서 볼 수 있듯이, AutoML만으로는 필요한 모든 것이 아닙니다 이 모든 작업을 검색 가능하게 만들기 위해, 그래서 저는 Kenton Prindle에게 전화를 걸어 이야기 할 것입니다 이것에 대해 더 자세히 그리고 지난 몇 년 동안, 우리는 Google과 훌륭한 파트너십을 맺었습니다 그는 회사 내부에서이를 구현하는 데 도움을주었습니다 꺼내 줘, 켄톤

고마워요, 로라 어 그래 고맙습니다 그럼, 네 로라가 언급했듯이, 우리는 함께 노력해 왔습니다

꽤 오래 동안 지금 어떻게 특성화하는지에 관해서 메타 수준에서 이러한 문서를 누른 다음 세그먼트 수준에서 그래서 당신이 왼쪽에서 볼 수 있듯이 – 첫째, 나는 물론, 이것은 작년의 정보였습니다 우리는 기본적으로 쉐브론으로 지어졌습니다 그리고 근본적으로, 우리는 과거를 매우 공격적으로 움직이고 있습니다 이제 세그먼트 화를 보완하기 위해 앞서 말했듯이, 또한 잘 기록, LES 파일 및 segue 파일이 있습니다 그리고 우리의 초점은 실제로 그것을 모두 연결하는 것입니다

진정한 아날로그 검색 그래서 우리가 쫓고있는 것은 우리가 점점 더 커지고 깊어 질 수있다 세계 데이터 세트에 대한 통찰력, 데이터 자산 데이터 세트 만이 아닙니다 따라서 왼쪽에는 섭취 과정이 표시됩니다 비우기 만하면됩니다

파일을 양동이에 넣고 양동이 모든 일련의 이벤트를 트리거합니다 자동으로 데이터를 처리합니다 따라서 GSC 스토리지, Pub / Sub로 이동합니다 이러한 모든 이벤트를 처리하고 Cloud Dataflow로 이동합니다 데이터 흐름은 하나의 목적으로 만 수행됩니다

그것을 페이지로 나누는 것입니다 그런 다음 페이지가 마비로 처리 될 수 있습니다 세분화 공간에서, 맞습니까? 페이지로 들어가서 페이지를 분할합니다 인간이 읽을 수있는 흐름, 맞죠? 그래서 우리는 모든 텍스트를 유지하고 모든 이미지를 유지합니다 올바른 순서로 마치 인간이 문서를 읽는 것처럼 보였습니다

나중에 인생에서, 이것은 왜 분명해질 것입니다 이 작업을 수행하는 데 오랜 시간이 걸리지 만 문서 정보의 의미에 대한 의미있는 표현 만 우리는 감정을 원해 그리고 감정은 달성하기가 매우 어렵습니다 전체 벡터 공간의 단어 흐름을 유지하지 않고 일관된 그래서 우리는 웬일인지 이것을하고있다

나중에 우리가 이야기 할 것입니다 그리고 나서, 물론 우리가이 정보를 얻으면 두 번째 단계에서는 실제로 전달하고 있습니다 전체 일련의 API를 통해 따라서 이러한 API는 물론 AutoML Vision, NLP, 그리고 몇몇 다른 사람들 사이의 번역 여기 요점은 이 구멍들 하나 하나 하나를 가지고, 이미지, 테이블, 방정식, 시추인지 여부 다이어그램, 테이블, 무엇이든, 텍스트 그래서 우리가 이것을 얻으면 우리는 실제로 알고리즘을 통해 적응 적으로 실행하십시오

우리가 원하는 정보를 찾아 낼 수 있습니다 우리가 그렇게하면 클라우드 머신에 실제로 전달합니다 학습 엔진은 한 단어를 알아 내기 위해 전화했는데, 이미지를 bacl로 인코딩 한 이중 모델 권리? 그리고이 경우에는 문서 유형이 무엇인지 파악합니다 그래서 우리는 그것을 멈추지 않고 단지 정보를 꺼내는 것입니다

그냥 일반적인 키워드 검색 우리는 더 깊이 가서 말하기를 시도하고 있습니다 음, 이것은 드릴링 보고서이거나 복합 로그입니다 그것이 무엇이든, 우리는 쉽게하려고 노력하고 있습니다 그래서 당신은 필터 검색뿐만 아니라 진정한 벡터 할 수 있습니다 수색

그 시점에서 Pub / Sub는 GCS 아카이브 및 관심있는 모든 세그먼트 거기에 저장되어 표시됩니다 그리고 나서, 물론 우리는 클라우드 검색 또는 Elasticsearch 클라우드 검색이 선호되는 방법입니다 우리가 훨씬 더 확장 할 수 있기 때문에,하지만 Elasticsearch 뿐만 아니라 완벽하게 작동합니다 그리고 물론, 우리는 인터페이스에 대화 할 수있는 대화 흐름

그러나 이것은 큰 초점이 아닙니다 궁극적으로 우리가 끝내는 것은 문서입니다 이미지를 검색 할 수있는지도에서 또는 텍스트, 또는 이미지와 텍스트 괜찮아 그런데 왜 우리가이 모든 것을하고 있습니까? 우리는 이미지를 끌어 올리기 만하는 것이 아닙니다

이 정보를 끌어 올리면 모든 데이터를 통합하려고하는 것입니다 그리고 맨 위에 당신은 우리가 우리가 많이 경험하는 고전적인 종류의 디지털 데이터를 가지고 있습니다 우리는 잘 통나무와 지진, 지구 모형을 본다 이러한 일들은 합리적으로 잘 형식화되고 이해됩니다 그리고 나서 우리는 그것들 사이의 접착제를 취하려고합니다

그 해석이나 서류들 말이 맞지? 그들은 진실 된 해석이다 우리가 실제로 위의 이미지에서 얻는 것입니다 그래서 Chevron과 함께 우리가 한 일은 우리는 지식 그래프를 만들었습니다 엔티티 해상도 및 위치 정보를 처리 할 수 ​​있습니다 그 해결책에 따라

그래서이 시점에서 우리는 LES 커브를 가지고 있습니다, 우리는 segue 파일을 가지고 있습니다, 우리는 이러한 기능 세트의 속성을 가지고 있습니다 그리고 우리는 그 특징에 묶인 문서를 가지고 있습니다 그와 같은 3D 공간의 연결된 유사성에서 여기 왼쪽에서 볼 수 있듯이 우리는 지진이 잘 기록되어 있습니다 지구 물리학 자로서 이것을 할 때 꽤 분명합니다

이 우물물은 지진의이 조각에 속한다 이것이 고전적인 종류의 견해입니다 그러나 실제로이 물건을 프로젝트에 포함시키지 않으면, 이해하기가 실제로 어렵습니다 상태가 연결된 곳 오른쪽 상단에 지식 그래프가 나타납니다

이것의 표현 그리고 당신은 우리가 좋은 지식 도표를 볼 것이라는 점을 볼 것입니다 노드를 연결하는 노드는 연산자이며, 이 로그 및 / 또는 필드를 문서에서 찾았습니까? 그것은 석유 생산지였습니까? 스콧 필드 였나요? 그리고 요점은, 지금, 당신이 이러한 것들을 찾을 때입니다, 데이터뿐만 아니라 아날로그 시스템을 다시 얻게됩니다 당신이 찾고있는 우리는 속한 모든 기능을 얻습니다 네가 그런 특정 검색어로 유한 개체를 찾고 있습니다 그러나 당신이 일반적인 물건을 찾으면, 쉘 오스트레일리아 북서부의 다공성 사암처럼, 예를 들어 실제로 세계를 밝힐 수 있습니다

트라이아스기의 모든 소리를지도로 만들고 여기에 말하십시오 실제로 관련 기능이 있습니다 이것과 비슷합니다 그리고 그것은 우주에서 우리의 목표입니다 Laura (으)로 돌아 가기

로라 BANDURA : 좋습니다 그래서 이것은 정말로 우리를위한 시작에 불과합니다 우리는 지구 과학 개념 증명에서 출발했습니다 이 방법을 탐사, 자산에 적용한 곳 개발 및 운영을 우리는 포용하는 여행을하고 있습니다 우리 회사 전체에 영향을 줄 수있는 기회, 시추 완료, 시설, 건강 환경 및 안전

그래서 우리는이 신청서에 대해 많은 희망을 보았습니다 우리는 그것을 확대하기를 고대하고 있습니다 고맙습니다 LUKMAN RAMSEY : 로라와 켄튼 감사합니다 우리의 다음이자 마지막 연사는 Hitachi의 Justin Thompson입니다

죄송합니다 호프슨 고마워, 루크 먼 그것이 여기에서 말하는 것에 따라, 나는 Justin Hopson 다 저는 Hitachi 컨설팅 부서의 선임 데이터 과학자입니다

전문 서비스 팀과 함께 오늘 고객 이야기에 대해 이야기하고 싶습니다 이것은 당신 중 일부와 관련이있는 것입니다 방에서, 다른 사람들을 위해, 당신은하지 못할 수도 있습니다 이 배경에 익숙해 져야한다 우리는 피해에 대해 이야기 할 것입니다

최근 전기 유틸리티가 캘리포니아에서 발생합니다 여기에 영향이있었습니다 우리는 인간의 사망자를 겪었고 책임, 소송이 있었다 이것은 우리 사회에 매우 중요한 것입니다 그리고 우리는 이것을 기회로 보았습니다

참여하고 무엇을 이해하는지 유용하게 된 역사적 패턴들 화재를 일으켰습니다 특히 전기 그리드에 초점을 맞출 것입니다 화재 이전에 존재했던 조건은 무엇 이었습니까? 점화하고 그 조건이 발생하는 곳을 모델링 할 수 있는지 확인하십시오 다시 앞으로 그래서 그것은이 대화의 첫 번째 부분이 될 것입니다

나는 데이터의 일부를 배우기를 원한다 그리고 매핑 및 출력의 일부 검증, 그리고 더 중요한 것은, 우리는 실제로 그것을 행동으로 바꾸는가? 통찰력을 갖는 것이 좋지만 실제로 사람들의 삶을 변화시키기 위해 무언가를해야합니까? 현장에서 작동 상태를 변경하십시오 그래서 나는 많은 다른 사람들이 있다는 것을 알고있다 관객 중 일부는 어떻게했는지 이해하십시오 이제부터 아키텍처부터 시작해 봅시다

여기 왼쪽에 명백한 후보들이 있습니다 배치 데이터가있어 장기적으로 봐야 했어 위험 요소 가뭄과 같은 것들, 가연성에 대한 명백한 기여자 전기 설비를보아야 만했다

자산, 전송 부분 및 배포 그리드 나이는 어때? 그들의 상태는 무엇입니까? 그 자산에 대한 유지 보수는 무엇입니까? 나는 역사적인 날씨를보아야 만했다 바람이 많이 부는 곳은 어디 갔지? 젖었을 때와 비가 언제 있었습니까? 그리고 우리가 예측하려고하는 것은 화재입니다 그런 다음 스트리밍 데이터를 사용하여 Pub / Sub 특히, 우리는 유틸리티 관리 활동 전기 그리드는 주변에있는 동안 일부 지역에서 100 년 이상 동안, 우리는 끊임없이 노력하고 있습니다

우리는 품질을 변화시키고 있으며, 유지 보수를하고 있습니다 우리가 수리를하고있어, 그 정보를 원해 우리가 얻을 수있는대로 또한 우리는 식생 관리 활동을하고 있습니다 그것은 매일 매일 발생합니다

우리는 트리밍 트리를 타고 승무원을 찾고 있습니다 오른쪽의 상태에서 상태를 보면서 오른쪽 길 옆 그리고 나서, 마지막으로 일기 예보를 얻었습니다 내가 무슨 일이 일어나고 있는지 알고 싶기 때문에 내일과 그 날과 그 다음날에 일어나는 일 그 후

그래서 우리는 그 모든 것을 섭취 할 수 있습니다 분명히, 우리는 엄청난 양의 우리가해야했던 시계열 처리의 Dataproc을 세우고, 그걸로 좋았어 우리는 결과 (기본 데이터와 처리 된 데이터 모두)를 저장하고 있었으며, 클라우드 스토리지 그리고 나서 우리는 두 가지 다른 접근법을 가졌습니다 시간이 지남에 따라 진화 한 우리의 모델링에 우리는 CloudML 엔진을 가지고있었습니다

일부 모델, 그리고 우리도 방금 Cloud Datalab을 사용했습니다 빠른 답변을 얻는 것이 좋았습니다 그리고 나서 우리는 그 모든 것을 프론트 엔드로 읽을 것입니다 왜냐하면 데이터 과학자로서 나는 여기서 정말로 행복했다 하지만 비즈니스 사용자에게는 게시해야했습니다

결과를 Cloud SQL에 넣을 수있어서 좋았습니다 왜냐하면 그들은 모든 종류로 먹을 수 있었기 때문입니다 다운 스트림 응용 프로그램의 그런 다음 웹 UI를 전면에 배치 할 수 있습니다 나는 모든 사용자가 누구인지 알지 못했다

하지만 나는 그들이 Google에서 사용할 수 있도록 할 수 있다는 것을 알고있었습니다 Cloud Platform 이것은 우리에게있어서 발견의 여정이었습니다 우리는 회의실에 앉아서 말하지 않았습니다 우리가 아는 모든 것을 기반으로,이 일을 한 번 설계 해 봅시다

그리고 우리는 그것을 올바르게 할 것이라고 확신합니다 그리고 그 중 일부를 들었을 수도 있습니다 그리고 Kenton이 말한 것에 대해서도 마찬가지입니다 우리가 배운 몇 가지 것들, 나는 너와 나누고 싶었다 비슷한 여행을 할 수 있습니다

왼쪽에 하나, 건축 우리는 초기 디자인에 앉아있었습니다 우리의 감정은 아마도 이것은 좋은 출발 일 것입니다 우리가 시작 했어 그리고 우리는 배웠습니다, 우리는 그것을 처음으로 못질하지 않았습니다

그러나 거기에 몇 가지 훌륭한 도구가 있습니다 특히 공식 아이콘과 샘플 다이어그램 주제 전문가를 데려 올 수있어 좋았어요 문제에 대해 이야기하고, 데이터에 대해 이야기하고, 우리가 가진 어려움과 일부 ETL 프로세스에 대해 이야기하십시오 말하자면, 뭔가 느낌이 들까 요? 그게 전에 풀 렸어? Google에 이미 도구 및 액셀러레이터가 포함되어 있습니까? 우리가 사용할 수있는 것? 그리고 대답은 '예'였습니다 또한, 가격에

저는 전문 서비스 조직에 있습니다 사람들은 항상 나에게 물어 얼마나 오래 걸릴거야? 무엇이 비용이 들까 요? 그래서 가격 책정 중 일부는 알려지지 않았습니다 맞습니까? 대답은, 당신이 가고 싶어하는 속도에 달려 있습니다 얼마나 빨리 그것을 원하니? 그래서 우리는 위대한 일을했습니다 우리는 실제로 작동하는 가격 계산기를 사용했습니다

그걸 내 고객의 손에 넣을 수 있었기 때문에 말하자면, 그것은 당신의 결정입니다 도구가 여기 있습니다 그들은 당신이 그것을 할 수 있도록 도와 줄 것입니다 실제로 귀하의 예산은 무엇이며 무엇이 시장에서의 수요 또한, 새로운 도구에 대한 경험 부족

Google Cloud Platform은 계속 진화하고 있습니다 너 오늘 보았다 우리는 새로운 도구를 사용할 수 있습니다 도구의 발전도있었습니다 우리가 사용하는 동안 우리는 사용하고있었습니다

그리고 그것은 정말로 잘 작동했지만, 그것은 의미가있었습니다 우리는 항상 경험하지 못했습니다 그래서 나는 중학교 학생들을 데리고 그들을 참여시킬 수 있었고, 그들이 이미 알고 있던 것에 기초를 두어 그 Google Cloud 에코 시스템으로 깊숙이 들어가십시오 팀에서 사기를 키우는 데 정말 좋았습니다 이 프로젝트에서 에너지를 유지하고 있습니다

우리는 또한 복잡성을 많이 다루었습니다 데이터 과학 파이프 라인 구축 수학이 많아 복잡합니다 하지만 내가 찾은 것은 사람들에게 말할 수 있다는 것입니다 그냥 시도해보십시오 그냥 시작하십시오

나는 도구를 그들의 손에 넣을 수 있었다 그리고 그것은 정말로 잘 돌아갔다 그들은 프로토 타이핑을 할 수 있었고, 시트에 들어갈 수 있었고, 우리가 할 수있는 말은 할 수 있습니다 지금 나는 그것을 더 크게하고 싶다 나는 AutoML 작업에 대해 다소 흥분하고있다

우리가 오늘 본 연결된 시트 물건 나는 다음 주까지 그것을 사용할지도 모른다 그리고 나서 다른 것은, 왜냐하면 나는 작고 매우 신뢰도가 높은 팀이 있었기 때문에 나에게 좋았습니다 나는 훌륭한 시야와 나의 전체 팀을 가졌다 서로의 작업에 대한 가시성을 가졌다

그래서 그것을 매우 효율적으로 만들었습니다 누군가가 외출 중이거나 그것이 어떻게 행해졌는지에 대한 질문이있는 경우, 나는 언제나 저장소에 갈 수 있었고, 나는 그 일을 볼 수 있었고 나는 그 일을 볼 수 있었다 지도력이 감사하고 이해하기를 원한다면 내 고객이 더 깊게 파고 들길 원했고, 그들 모두가 볼 수있는 곳입니다 그것은 투명합니다 그런 다음 마지막 부분 인 DevOps 기본 사항입니다

이 물건은 당신이 그것에 대해 생각하지 않는다면 당신을 죽일 것입니다 그것은 훨씬 더 어렵습니다 옛날 방식대로했다면 많은 시간과 돈이 들었습니다 그래서 나는 매우 흥분했다 Google은 GCP에서 이러한 애플리케이션을 기본적으로 구축 한 것으로 느꼈습니다

많은 시간과 비용을 절약 할 수 있습니다 예쁜 그림을 좋아하는 당신을 위해, 우리의 초기 모델 중 왼쪽에있는 예가 있습니다 유틸리티 풋 프린트의 일부를 볼 수 있으며, 당신은 나무의 일부, 위험 요소의 일부를 볼 수 있습니다 그리드에서 모델링됩니다 그리고 그것은 훌륭했습니다

우리는 대답을 얻었다 그러나 당연히 우리가 결과를 읽은 바로 그 날 우리는 그것을 가지고있다 나는 우리가 그것을 가지고 있다고 생각한다 나는 물었다, 음, 헤이, 이것은 크다 공간 범위를 확장 할 수 있습니까? 우리는 인접 국가에 건설 할 수 있습니까? 우리는 다른 공공 시설과 영토로 갈 수 있습니까? 우리가 그들과 힘을 교환하고 그들이 내려 간다면 나는 내려 간다

우리는 확장 된 시간 범위를 요구 받았다 더 많은 시간을 할애 할 수 있습니까? 변수를 더 추가하는 것은 어떨까요? 오, 정말 좋은 생각이있어 나는 임업중인 사람을 만났어 나는 물리학을 설명하고 어떻게 다른 종 나무는 바람에 서로 다른 탄력성을 가지고 있으며, 좋아, 이봐 우리는 우리가 할 수있는 플랫폼에 있습니다

우리가 남겨두고있는 것이 비즈니스 우선 순위입니다 어느 쪽이 먼저 물어보고 싶니? 그 덕분에 우리는 많은 모델 변형을 실행할 수있었습니다 연구가 명확하지 않은 정도까지 탐구했다 우리에게는 기회가있었습니다 일부 연구에서 일하고 확장 대학들이 그랬던 것처럼 우리는 그렇게 할 수있었습니다

그리고, 궁극적으로 저는 사업 사람입니다 우리는 그것을 실행 가능하게 만들 수 있을까요? 다운 스트림 응용 프로그램을보다 쉽게 ​​만들 수 있습니까? 이 정보를 사용하고 내일 나가서 세상에서 실제로 차이를 만드시겠습니까? 이것의 다른 부분은 정말 흥미 롭습니다 정책의 관점에서 볼 때 그래서 우리는 이미 – 정확도와 정밀도에 대해 이야기 해 보겠습니다 그리고 리콜 번호로 들어가 봅시다

그리고 그것은 물론 중요합니다 분명히 여기서 대각선을 따라, 진정한 긍정, 권리? 우리가 옳은 것들 또한 중요한, 진실한 네거티브 우리는 불을 예견했다 불은 없었다

그러나 오프 대각선에 대해 이야기 해 봅시다 이것은 정말 흥미로운 정책 토론입니다 왼쪽 하단 모서리에서 화재가있을 것입니다 그러나 사실, 아무 것도 없었습니다 그래서 해가 무엇입니까? 이 모델에서 우리가 잘못했을 때 우리가 한 일은 무엇입니까? 나는 나무를 자르기 위해 누군가를 보냈습니다

글쎄, 유틸리티는 갈 의무가있다 매년 전체 영토를 통해, 2 년마다, 매 4 년마다 위험에 따라 달라지며 유틸리티와 함께, 귀하의 주에서 규제가 무엇입니까 그러나 정말로, 나는 우리가 그것에 도착했을 때 아마도 빨라졌다 그러나 아무도 해를 입지 않았습니다

그것은 상대적으로 저렴한 비용입니다 어쨌든 나는 수술 적으로 할 것입니다 최고 속도는 잘못하고 싶지 않은 속도입니다 그 때가 위험하다고 생각하지 않습니다 그러나 그것이 밝혀졌습니다

그래서 우리가 모든 hyperparameter 튜닝에 들어갔을 때, 그것은 네가 말한 곳, 나는 그걸로 만들어야 해 가능한 한 작다 모든 데이터 세트는 저에게 줄 수 있고, 모든 변화는 당신에게 줄 수 있습니다 생각할 수 있으며 플랫폼에 의해 결코 제한되지 않았습니다 나는 우리의 상상력, 연구 및 시간으로 인해 제한됩니다

몇 가지 예를 살펴보면 도움이되었습니다 훌륭한 데이터 세트를 가지고 있고 알고 싶습니다 그래서 우리는 어디에 있었습니까? 권리? 우리가 어딨어? 여기 두 가지 예가 오탐입니다 이들은 실제로 재미있는 이야기의 종류입니다 우리가 일찍 거기에 도착했기 때문에 나는 틀렸다

내가 실패하기 12 시간 전에 너에게 말했어 나는 그것이 실패 할 것이라고 생각했다 그래서 제 생각에 그것은 실제로 성공담입니다 나는 틀렸어하지만 그 영향은 자네가 그걸 잘라 버렸다는거야

우리 모두는 훨씬 행복해졌습니다 그러나 오른쪽에, 우리가 옳게 생각한 것들이 있습니다 위치와 시간뿐만 아니라, 우리는 조건을 이해했습니다 그리고 그것은 우리에게 우리가이 느낌을 갖게했습니다 이것은 우리가 작업을 시작할 수있을만큼 충분히 좋습니다

우리는 그것을 내보낼 수 있고, 우리는이 데이터로 결정을 내릴 수 있습니다 이 팀과 함께이 모델로 그래서 두 차례의 테이크 아웃 첫째, 우리는 정말 좋은 경험을했습니다 Google Cloud Platform으로 그것은 생태계이며, 우리를 위해 확장되었습니다 우리가 통합 할 수있게 해 주었고, 우리 제품 개발 팀이 나가서 새로운 아이디어를 생각해 내십시오

그리고 기술이 그렇게하지 않는다고 말할 필요도 없었습니다 당신은 말할 수 있습니다, 예, 우리는 그렇게 할 수 있습니다 두 번째 부분은 거기에 도달하는 방법이 많이 있다는 것입니다 나는 우리에게 우리가 보여준 아키텍처 중 하나를 보여 주었다 이 여행에서 구현되었습니다

하지만 실험 해보길 권합니다 설정하기 쉽고, 실행하기 쉽습니다 쉽게 찢어지고 다른 것을 시도해보십시오 그것을 여정으로 생각하고 생각하십시오 실제로 그것은 재미있는 종류의 하나입니다

다른 작품은 나에게 개인적으로, 그 효율성과 정확성 – 그게 그렇게 중요했습니다 내 감정 – 나는 매일 팀원들에게 동기를 부여 할 수 있었다 오늘 우리는 그것을 더 잘 만들 것이라고 말합니다 우리는 우리가 가진 모든 것을 기반으로 할 것입니다 그것은 모두 거기에 있었다

그리고 우리는 그 배움을 서로 공유 할 수있는 방법이있었습니다 LUKMAN RAMSEY : 다시 한번 이 세션에 참석해 주셔서 대단히 감사합니다 모든 발표자들에게 다시 한번 감사드립니다 Chevron, Hitachi 및 Nissen에서 제공합니다

고맙습니다 [음악 재생]

Applying AI in Games with DeNA

[박수 갈채] 안녕, 모두들 오늘 우리와 함께 해줘서 고마워

오늘 너와 대화하기 위해 여기에 와서 정말 기쁩니다 흥미 진진한 주제 인 AI에 관한 이야기입니다 내 이름은 사미르 저는 Google Cloud의 게임 기술 전문가입니다 나는 도쿄에 있습니다

당신도 궁금해 할 것입니다 게임 기술 전문가? 나는 많은 친구들이 내게 묻고있다 내 일상 업무에서 내가하는 일 대답은 매우 간단합니다 나는 단지 게임을한다

하지만 농담이 아니에요 동료들이 항상 나에게 묻고있다 뭐하고 있니? 그들은 내 전화에서 나는 단지 놀고있는 걸 본다 하지만 더 심각하게, 나는 게임 스튜디오를 돕고 있습니다 아시아에서 GCP에 혁신적인 백엔드를 만들고 있습니다

오늘은 우리가 제공하는 것에 대해 이야기 할 것입니다 AI와 관련된 Google 클라우드 하지만 그때 나는 DeNA에게 그 공간을 줄 것이고, 오늘 나와 함께 무대에 올라있는 사람들, 그들의 경험에 대해 이야기 할 것입니다 사람들이 더 많은 중 하나에서 어떻게 시뮬레이트하는지 인기있는 게임 및 확장 성과 강력한 게임 Google Machine Learning Engine의 백엔드 그래서 그들은 무대에 다시 올 것이다 나는 약간의 소개를 할 것이다 그리고 나는 생각조차하지 않았어

오, 그래, 이거 그래서 그들은 몇 분 후에 다시 올 것이다 고맙습니다 그래서 Google은 게임 업계와 협력하고 있습니다 개발자의 성공을 돕기 위해 클라우드는 이러한 노력의 중심에 있습니다

멋진 게임을 만드는 데 도움이되고 싶습니다 전세계의 플레이어와 연결하고 확장 할 수 있습니다 귀하의 비즈니스 Google은 다른 Google 팀과 협력하고 있습니다 이 비전을 실현시켜야합니다

따라서 구체적인 구현으로 들어가기 전에 인공 지능 공간에서 DeNA의 게임에서 AI의 다양한 응용에 대해 그리고 나는 그들 모두에 대해서 당신과 이야기하지 않을 것입니다 하지만 내가 좋아하는 몇 가지 예를 들어, 첫 번째 것은 – 프로 플레이어를 시뮬레이트하는 봇과 대결 할 수 있습니다 비교할 수 없을만큼 멋지지 않습니까? 최고의 기술, 게임에서 최고의 기술? 보통, 당신은 기회가 없습니다

아마 프로 선수가 아닌 사람이라면 프로 플레이어와 대결 할 수 있습니다 그렇게하는 것이 멋지지 않습니까? 비슷한 방법으로 생각하십시오 프로 플레이어를 시뮬레이트하는 봇을 갖는 것, 그것은 자신을 시뮬레이션 할 수 있습니다 그리고 멀티 플레이를하고 있다고 생각해보십시오 온라인에서 누군가와 게임하고, 그 사람과 연결 해제에 대항하여 플레이하는 것, 게임이 조기에 종료됩니다

그렇게 좌절하지 않니? 나, 나는 많은 온라인 게임을하고, 그것이 일어날 때, 내가 게임을 끝내기를 원했기 때문에 나는 정말로 좌절감을 느낀다 그러나 당신이 자신을 시뮬레이션 할 수있는 로봇을 가지고 있다면, 네가하는 것처럼 온라인에서 놀고 있고, 연결이 끊어지며, 하지만 당신은 그 순간에 대체되었습니다 너와 같이하는 봇이 너의 상대가 알지도조차 모른다 그는 봇과 놀고 있고, 게임은 끝날 수 있습니다

그게 훌륭한 사용자 경험이 아니겠습니까? 우리가 사용할 유스 케이스도 있습니다 ML에 대한 전문 지식조차 필요로하지는 않지만 나중에 얘기하십시오 그러나 AI가 게임에서 그 자리를 차지한다는 것을 깨달으십시오 그리고 그것은 정말로 사용자 경험을 향상시키는 데 도움이됩니다 뿐만 아니라 수익 창출과 같은 매우 중요한 일에서 또는 피어 보존

AI가 게임에서 그 자리를 차지할뿐만 아니라, 게임은 AI를위한 이상적인 환경이기도합니다 따라서 게임은 우리가 기술을 개발하는 방법에 큰 역할을합니다 Google 및 알파벳 DeepMind는 그 좋은 예입니다 DeepMind는 인공 지능 연구 회사입니다

Atari에서 Go의 고대 게임에 이르기까지, 그들은 점점 더 도전적인 게임 환경을 사용합니다 보다 유능하고 일반적으로 개발할 수있는 시험장으로 극도의 복잡성을 극복 할 수있는 시스템 연구 프로그램의 자연스러운 다음 단계 실시간 전략 게임 스타 크래프트였습니다 스타 크래프트 2는 더 어려운 문제를 제기했기 때문에 컴퓨터 과학 분야에서 해결하기 위해, 계획, 불확실성 다루기, 특별 추론 최근에 무슨 일이 있었는지 네가 본지 모르겠다 스타 크래프트 입찰가로 그들은 톱 프로 플레이어를 이길 수있는 봇을 만들 수 있습니다

스타 크래프트 2 그래서 당신이가는 방법, 그들이 어떻게 한 것인지 정말 인상적입니다 그리고 AI가 어떻게 진행되고 있는지에 대한 비전을 볼 수 있습니다 불행히도, 모든 사람들이 딥 마인드는 아닙니다 모두가 ML 전문가를 보유하고있는 것은 아닙니다

데이터가 압도적입니다 ML 전문가가 부족한 세상입니다 2 천 1 백만 명의 개발자들로부터 백만명의 데이터 과학자와 ML보다 적다 전문가 Google Cloud에서의 목표는 누구나 기계 학습을 이용할 수 있도록 새로운 애플리케이션을 구축하거나 지능을 추가하는 방법 기존의 것들

Google 기계 학습을 최대한 활용하여 제공합니다 접근 가능한 모델을 통해 완전히 훈련 된 모델 [? VR?] API입니다 따라서 사전 훈련 된 모델은 모두 수년간의 Google 전문 지식과 세련된 교육을 바탕으로 구축되었습니다 데이터 시각 인식에서부터 자연어 처리에 이르기까지, API를 사용하여 애플리케이션을 교육 할 수 있습니다

사용자를보고 듣고 대화하기 완전히 다른 방식으로 그래서 다른 인공 지능 여행은 무엇입니까? Google 클라우드에서 제공합니까? 몇 가지가 있습니다 상단에 표시가 있으면 사전 패키지 된 솔루션 – 우리는 게임을위한 강력한 AI 솔루션을 미리 포장했습니다 아주 제한된 자원으로 AI 패스에서 새로운 것을 그리기 또는 매우 제한된 ML 전문가 아랫 부분에서는 AI 여행이있는 고급 스튜디오의 경우, 그들의 AI 여행에 전진했다 – 누가 데이터 과학자 또는 ML ML 모델 자체를 구축하고 교육 할 수있는 전문가 TensorFlow, Cloud TPU 또는 Cloud Machine Learning Engine을 사용합니다 그리고 중간에 새 경로가 있습니다

그것은 기계 학습에 당신을 돕기로되어 있습니다 ML 전문 지식이 없어도 고급 기능을 수행 할 수 있습니다 따라서 Cloud AutoML을 발견하게 될 것입니다 클라우드 AutoML은 게임 스튜디오를 지원합니다 제한된 전문 기술을 시작으로 자신의 고품질 모델을 구축하지만 GUI를 사용합니다

오른쪽에는 BigQuery ML이 있습니다 BigQuery는 친숙하지 않은 사람들을 위해 Google Cloud가 제공하는 데이터웨어 하우스입니다 그들의 구름에 제공하고있다 또한 추가 기능을 제공합니다 머신 학습 모델을 만들 수있는 곳 표준 SQL을 사용합니다

따라서 Cloud AutoML 또는 BigQuery ML과 같은 솔루션, AI 전문가도 생산성을 높이기 위해 왔습니다 하지만 도움이됩니다 덜 숙련 된 엔지니어에게 도움이 될 것입니다 ML에 익숙하지 않아 강력한 AI 시스템을 구축 할 수 없습니다 그들은 이전에 꿈을 꿀 수있었습니다

오늘 제가 열릴 유일한 판매 연설입니다 제 발표에서 – 왜 고객들에게 AI 용 Google을 선택하고 있습니다 나는 그 위에 아주 빨리 갈 것이다 그래서 네 가지가 있습니다 하나는 규모입니다

따라서 Google Cloud Platform이라는 클라우드를 제공합니다 우리 클라우드를 사용하기 시작하면 액세스 할 수 있습니다 수천 개의 인스턴스로 따라서 계산 작업량이 많은 경우, 당신이해야 할 계산에 접근 할 수 있습니다 둘, 속도 따라서 Google 클라우드가 TPUs라고 부르는 제품을 제공하는 것은 Google 클라우드뿐입니다

그래서 "TPU"가 무엇인지 들어 본 적이 있는지 모르겠습니다 CPU, GPU처럼 들립니다 그래서 TPU는 Tensor Processing Unit입니다 그래서 그것은 과정입니다 [? 칼?] 우리가 정의한 기계 학습용으로 제작되었습니다 그러나 그것이 얼마나 빨리 이루어지는지를 이해하려면 – 일반적으로 모델을 훈련 할 때 당신도 GPU를 사용할 시간 더 높은 계산 능력을 가진다

클라우드 TPU가 할 수있는 것을 비교한다면, ResNet 50 모델을 사용하면 벤치마킹 할 수 있습니다 단일 클라우드 TPU 사용 – 8 개의 코어와 64 기가의 램이있다 Nvidia P100 GPU보다 84 배 빠르며, Nvidia V100 GPU보다 5 배 빠릅니다 그래서 매우 빠릅니다

Inception V3과 같은 다른 Inception 모델로 시도하면, 당신은 비슷한 결과를 얻습니다 그래서 Google Cloud는 Cloud TPU를 제공하는 유일한 회사입니다 컴퓨터 학습 워크로드를 실제로 가속화 할 수 있습니다 세 번째는 품질입니다 이미 Google 포토, Google 번역가, Google Assistant

Google 포토가 얼마나 정확한지 알 수 있습니다 당신이 가지고있는 것을 찾기 시작할 때가 되십시오 Google 포토 앨범에 있습니다 나는 종종 "햄버거"를 검색합니다 왜냐하면 저는 내 친구에게 내가 먹은 마지막 햄버거를 보여주고 싶다

그리고 나는 "햄버거"를 넣습니다 그리고 나는 모든 햄버거의 목록을 얻습니다 나는 과거에 먹었다 그것은 매우 정확합니다 그래서 당신이 카드를 검색 할 때조차도 – 언젠가는, 내 신분증이나 신용 카드 사진을 찍었습니다

"카드"또는 "ID"를 입력하면 그렇지 않으면 내가 찾을 수 없을 것 같은 사진들을 찾으십시오 접근성, 이것은 도구 제품입니다 우리가 제공하는 사전 훈련 된 모델 밖에서, 우리는 중간 솔루션을 가지고 있습니다 Cloud AutoML 및 BigQuery ML과 같이 모든 사람들이 ML에보다 쉽게 ​​접근 할 수 있도록 도와줍니다 그래서 내 부분을 끝내기 위해, 나는 단지 세 단어 만 가지고있다

"놓치지 마세요" 인공 지능은 당신의 손끝에 있으며, 지금 바로 시작할 수 있습니다 귀하의 응용 프로그램에 인텔리전스 – 기존의 것들처럼, 또는 새로운 것에 – 그 사전 훈련 된 모델 또는 심지어 사용자 정의 모델을 사용하여 Cloud AutoML을 사용합니다 이미 ML 전문가 인 경우 TensorFlow Cloud ML 엔진으로 바로 이동할 수 있습니다 자신 만의 커스텀 모델을 실행합니다

그래서 내면 충분하다 더 이상 고뇌하지 않고, 나는 당신을 사람들에게 소개하고 싶다 DeNA의 경험에 대해 이야기 할 것입니다 AI 및 데크 추천 시스템 만들기 일본에서 가장 인기있는 GCP 모바일 게임 중 하나입니다 그래서 저는 6 월에이 발표를 계속하도록 할 것입니다

고맙습니다 [박수 갈채] JUN : 감사합니다, Samir, 소개해 주셔서 감사합니다 그리고 우리는 DeNA에서 왔으며 가장 큰 게임 중 하나입니다 일본의 출판사 그리고 오늘, 우리는 AI 구현을 공유하고 싶습니다

게임에 지금까지 우리는 두 가지 응용 프로그램을 출시했습니다 이야기하려고합니다 – 동기 부여 구현, 그리고 우리 사건의 결과 그래서 제 이름은 준 에른스트입니다 저는이 프로젝트를 이끌고 있습니다

또한 Ikki Tanaka를 소개하겠습니다 그는 데이터 과학자이며 AI 모델을 만들었습니다 그래서이 부분에서 우리 둘다 발표 할 것입니다 그래서이 작업은 시작되었습니다 4 명의 기계 학습 엔지니어 및 다수 게임 팀의 공동 작업자 우리 각자는 우리 자신의 전문 분야를 가지고 있습니다

저는이 팀을 정말 좋아합니다 시작하겠습니다 그래서 대부분의 사람들이 DeNA에 익숙하지 않다고 생각합니다 우리 회사는 가장 큰 인터넷 중 하나입니다 일본의 회사

우리는 게임과 같은 다양한 비즈니스 영역을 가지고 있지만, 자동차 및 스포츠에서 수익의 대부분은 게임에서 발생합니다 사실, 우리는 수십 가지 사내 게임 타이틀을 제공하고 있습니다 및 다른 발행인의 제목 어쩌면 당신 중 일부는 우리가 닌텐도와 동맹을 맺어 라 예를 들어, 우리 회사는 백엔드 시스템을 담당하고 있습니다

"Super Mario Run"에서 그래서 우리가 누군지 이 세션에서는 사내 게임 타이틀 "Othellonia 규약" 먼저, 우리가 가진 프로그램에 대해 이야기하고 싶습니다 우리가 이러한 문제를 해결하기 위해 어떻게 도전했는지 설명합니다 그래서이 게임 "Gyakuten Othellonia" 전략 앱 게임입니다

플레이어의 행동은 "오델로 (Othello)"라는 보드 게임을 기반으로합니다 또는 "Reversi", 그리고 선수들은 흰색 조각에 검은 색을 입혔습니다 택일 적으로 이 게임에 대한 독특한 점은 각 작품에는 자체 기술이 있습니다 전략적 구성 요소를 전투에 추가합니다

실제로, 당신이 게임을 시작할 때, 다양한 놀이가 시작되고 끝없는 탐험이 있습니다 게임을 마스터해야합니다 이 제목은 3 년 전에 발표되었습니다 다행히도 여전히 성장하고 있습니다 지금까지 2300 만 건의 다운로드가 있었지만, 서비스 지역은 점진적으로 확대되고 있습니다

그리고 물론, 나는 미래에 우리가 희망한다 미국에서도 석방 될 수 있습니다 그래서 "Othellonia"에는 개념이 있습니다 갑판과 캐릭터의 전투를 시작하기 전에 플레이어 [? 구조?] 16 자 이상으로 구성된 갑판 3,000 가지 옵션이 있습니다 그리고 각 캐릭터는 자체 기술을 가지고 있습니다

그리고 선수는 일치하는 문자를 선택해야합니다 그들의 놀이 작풍에 상상할 수 있듯이 조합 수는 극단적입니다 초보자도 쉽게 배울 수 있습니다 최적의 갑판을 만드는 법

또 다른 문제는 최적의 데크를 만드는 것입니다 프로세스를 통해 효과적인 전략을 습득해야합니다 시행 착오의 왜 이것이 문제인지 설명해 드리겠습니다 일반적으로 말해서 게임에 플레이어가 게임을 계속하는 것을 방해 할 수 있습니다

해지율이 증가하고 미래 수익에 영향을줍니다 권리? 예를 들어, 추정치가 있습니다 30 일간의 해지율에서 단지 몇 포인트가 감소한다는 것 미래에 매출을 20 % ~ 30 % 증가시킬 수 있습니다 "Othellonia"로 돌아 가면 실제로 해지율이 높기 때문에 문제가 발생했습니다 이것은 부분적으로 게임이 복잡하고 부족하기 때문입니다 충분한 [부적절한] 지원

따라서 초심자에게는 어렵습니다 최적의 갑판을 만들 수 있습니다 또한, 연습을위한 좋은 곳이 없다 그들의 전투 기술을 향상시키기 위해서 예를 들어 초보자에게는 두 가지 전투 옵션 만 있습니다

하나는 NPC와의 전투입니다 약한 상대, 그리고 다른 PvP 전투입니다, 숙련 된 선수와 자주 매치된다 그래서 우리는 비슷한 수준의 상대가 필요했습니다 초보자에게 이것이 우리의 상대 설정입니다

그럼 우리의 접근 방식을 보도록하겠습니다 초보자를 지원하기 위해 두 가지 기능을 개발했습니다 첫 번째는 갑판 추천 시스템이며, 플레이어의 조각에서 적절한 문자를 선택합니다 상자에 넣고 연관 분석을 사용하여 더 나은 제안 두 번째는 Othellonia Dojo라고 부르는 전투 AI입니다

이 기능에서 우리는 모든 수준에서 재생할 수있는 인공 지능을 개발했습니다 이 인공 지능에는 심 신경 네트워크가 사용됩니다 나중에, Ikki는이 기술들이 어떻게 우리의 경우에 사용됩니다 그래서, 기계 학습 관점에서 볼 때, 그러한 인공 지능을 구축하기위한 데이터를 준비해야합니다 우리는 다양한 종류의 게임 내 데이터를 수집하고 있습니다

데크 로그 및 전투와 같은 게임의 릴리스 이후 로그 따라서 우리는이 프로젝트를 시작하기 전에 많은 양의 데이터를 가지고 있습니다 그래서 우리의 경우에는 데이터를 사용했습니다 지난 9 개월 동안 수십억 개의 로그 항목 그런 다음 플레이어 기술로 데이터를 필터링했습니다 전투 AI 사례에서 원본 데이터를 보강했습니다

오른쪽 이미지는 예제입니다 JSON으로 포맷 된 전투 기록의 상태 및 액션 입력에 대해 설명합니다 전투 정보 하단 다이어그램은 대략적인 데이터 파이프 라인을 보여줍니다 BigQuery는이 사전 처리 단계에서 매우 훌륭하게 작업했습니다

예를 들어, 테라 바이트 단위의 데이터까지도 처리 할 수 ​​있습니다 매우 빠르며 처리 시간을 단축 할 수 있습니다 과감하게 BQ는 몇 분 안에 데이터를 처리 할 수있었습니다 온 – 프레미지의 Hadoop 클러스터

BQ가 다른 GCP와 공동 작업하기 쉽다는 점도 마음에 듭니다 서비스 그래서 여기에 우리의 AI가 성공적으로 수행되었음을 강조하고 싶습니다 충분한 양의 데이터와 신뢰할 수있는 파이프 라인으로 구축됩니다 그럼 각 사례가 어떻게 작동하는지 살펴 보겠습니다

이것은 갑판 추천 시스템의 매우 대략적인 개요입니다 그래서 우리는 먼저 전처리 데크를 이용합니다 로그를 통해 각 문자의 모양에 대한 정보를 추출합니다 연관, 이는 연관 규칙이라고합니다 이 분석을 통해 우리는 강도 모든 문자 쌍에 걸쳐 관계의 그리고, 플레이어로부터의 요구가 있으면, 추천 서버는 플레이어의 조각 상자에있는 캐릭터 세트, 16 자 모두를 채 웁니다

협회 규칙의 점수에 따라 이 기능은 매우 유연하며 플레이어 갑판 원형, 갑판 비용, 및 그들의 마음에 드는 특성은 갑판에서 포함될 것이다 KPI와 관련하여 몇 가지 측정 항목을 모니터링하고 있습니다 예를 들어, 우리는 몇 명의 플레이어가 추천 시스템을 사용했다 권장 갑판이 수락되었는지 여부, 그리고 그 데크가 플레이어 측면에서 기여했는지 여부 그들의 승리율은 전투 중입니다 따라서 Dojo의 경우 AI와의 전투가 가능합니다

다양한 원형과 강점이 있습니다 여기 우리는 깊은 신경망을 훈련시킨다 전처리 된 전투 기록에서 클라이언트는 현재 게임 상태를 보내고, 전투 API 서버가 반환합니다 게임의 매 턴마다 신경 네트워크의 추론

측정 항목에 관해서는 Dojo가 얼마나 자주 사용되는지, 그리고 강도 의 AI는 승리율면에서 충분했다 그래서이 두 인공 지능은 이미 풀려 났고, 우리는 매우 긍정적 인 KPI를 관찰하고 있습니다 그래서 결과를 보여주기 전에 Ikki에게 이야기를 전달할 것입니다 그는 기술 세부 사항 및 몇 가지 팁에 대해 이야기하겠습니다 AI 시스템 구축 용

[박수 갈채] IKKI : 감사합니다, Jun 안녕하세요 저는 Ikki이고 DeNA의 데이터 과학자입니다 그래서 나는 우리 게임 AI를 만든 개발자 중 한 명입니다 시스템은 데이터 분석, 데이터 과학 및 기계를 사용하여 배우기

그래서 오늘, 우리의 기술적 인 세부 사항에 대해 이야기 할 것입니다 GCP 사례 이제 기술 부분에 대한 이야기를 살펴 보겠습니다 먼저 갑판을 표준화하고 싶습니다 추천

이것은 데크 추천 알고리즘의 개요입니다 그리고 첫째, 갑판 추천 알고리즘 데크 아키타 입 (deck archetype)과 같은 플레이어로부터의 입력을 수신하고, 갑판 비용, 소유 한 캐릭터 및 캐릭터 플레이어가 사용하기를 원합니다 다음으로 알고리즘은 리더를 선택합니다 협회 결과를 이용하여 분석 및 통계 자료 따라서이 알고리즘에서 리더 캐릭터가 먼저 선택되고, 다음 문자는 리더를 기준으로 선택됩니다

잘 연관된 문자는 간단합니다 연관 분석의 결과에 따라 선택됩니다 데크가 16 자로 가득 차 있지 않은 경우, 다른 문자가 가장 좋은 문자로 선택됩니다 이 절차를 여러 번 반복 한 후에, 추천 된 덱이 플레이어에게 제안됩니다 게임이 다른 경우, 미세 조정의 방법 또한 다릅니다

그래서 우리 게임에서, "Gyakuten Othellonia," 예를 들어 리더를 결정하기위한 추가 규칙을 만들었습니다 우리는 스킬을 가지고 활성화를 확인했습니다 갑판 건물에서 간단한 설명을 드리고 싶습니다 관계 추출 방법 문자 사이

우리의 권고안에서는 협회 분석을 사용하고 있습니다 연결 분석은 규칙 기반 시스템입니다 흥미있는 관계를 발견하는 학습 방법 큰 데이터 세트의 내용 사이 따라서이 방법은 고속 계산을 수행 할 수 있습니다 주요 관계를 추출하려면, 추출 된 관계는 이해하기 쉽고 매우 다양한 설정에서 유용합니다

관계는 몇 가지 메트릭으로 평가됩니다 연결 강도의 정도와 같은 규칙이나 패턴의 우리의 추천은 캐릭터를 선택하여 덱을 만듭니다 순차적으로 강한 관계, 하나 후에 따라서이 방법은 다양한 종류의 데이터를 쉽게 처리 할 수 ​​있습니다 그래서이 기술은 많은 게임에 적용 할 수 있다고 생각합니다

다음으로, 나는 그 시스템에 대해 이야기 할 것이다 그래서 우리는 갑판 추천과 같은 우리의 응용 프로그램을 만들었습니다 깊은 학습 AI 봇과 GCP 왜 우리는 ML 시스템을 위해 GCP를 선택 했습니까? 두 가지 주된 이유가 있습니다 첫 번째는 강력하고 유연한 도구입니다

기계 학습 및 데이터 과학 데이터 분석에서 우리는 종종 데이터를 조사하려고 노력하지만, 시각화하고 프로토 타입 모델을 만들 수 있습니다 거대한 데이터 분석을위한 GCP 서비스 BigQuery, Cloud Datalab, 및 Google Compute Engine이 포함됩니다 클라우드 스토리지 용 GCP 서비스 대규모 데이터를 위해 확장 가능하고 빠른 서비스를 제공합니다 큰 데이터와 많은 기계를 관리하는 데 도움이됩니다

학습 모델 Cloud ML 엔진에 관해, AI 모델을 배치 할 수 있습니다 클라우드 ML 엔진에 쉽고 빠르게 또한 사용자에게 친숙한 예측 API도 제공합니다 또한 GCP는 기계를 수행 할 수있는 많은 서비스를 제공합니다 효율적으로 학습합니다

예를 들어, 우리는 GKE의 서비스 내용 커스텀 기능으로 클라우드 ML 엔진 교육 확장 가능하고 분산 된 ML 교육 두 번째는 확장 가능하고 강력한 인프라 서비스입니다 응용 프로그램을 쉽게 실행할 수 있습니다 몇 가지 프로그래밍 언어로 Google App Engine을 사용함으로써, Python Go 언어처럼 그리고 우리는 시스템 성능의 여러 측정 기준을 확인할 수 있습니다

스택 스택 드라이버, 로깅 등을 통해 GAE의 자동 크기 조정 기능을 강조하고 싶습니다 새로운 인스턴스가 증가하기 때문에 매우 훌륭한 서비스입니다 또는 트래픽에 대한 응답으로 중지되었습니다 그리고 [INAUDIBLE]은 인스턴스에 배포됩니다

자동으로 따라서이 GCP 서비스는 쉽게 통합 할 수 있습니다 동일한 시스템에 통합 할 수 있습니다 이러한 이유로 우리는 ML 시스템을 위해 GCP를 선택합니다 갑판의 시스템 아키텍처를 보여 드리겠습니다 GCP와의 추천

먼저 BigQuery에 데크 로그가 저장됩니다 규칙을 추출하는 데 사용됩니다 일괄 처리를 수행하기 위해 [INAUDIBLE] 일정을 보냅니다 Google Compute에서 연관 분석 처리 엔진 그리고 훈련 된 데크를 따라 잡기 위해 최신 문자를 사용하여 일괄 처리를 수행하고 있습니다

매일 그런 다음 클라우드 함수가 결과를 사전 처리합니다 연관 분석을 수행하고 데이터를 업데이트합니다 생산 환경을 위해 클라우드 기능은 데이터가 올바르게 업데이트되었는지 확인합니다

예를 들어 갑판의 크기가 너무 작거나 큰 경우 우리는 Google App Engine Python을 사용하고 있습니다 권장 API 서버의 경우 37입니다 서버는 클라이언트로부터 요청을 수신하고, 갑판을 만들고 마지막으로 권장 덱을 플레이어에게 반환합니다 주목할만한 점 중 하나는 GAE Python입니다

37은 작년 말에 일반적으로 이용 가능했지만, 그래서 우리는 적시에 그것을 사용할 수 있습니다 그 결과로 [? 기다려?]를 파이썬 37, 우리가 이미 가지고있는 코드를 변경할 필요가 없습니다 Python 3에서 개발되었습니다

지금까지 알고리즘과 시스템을 설명했습니다 갑판 추천 다음 주제로 넘어 갑시다 Deep-Learning AI-Bot Othellonia Dojo입니다

"도장"은 자신의 노는 기술을 향상시키는 훈련실을 의미합니다 이것은 Deep Learning AI의 교육 개요입니다 봇 브랜딩은 우리의 경우에 적합합니다 상태와 같은 많은 복잡한 기능을 배우기 보드, 데크, 손, 기술 및 조합 기능들

딥 학습 AI 봇은 상태를 수신합니다 클라이언트와의 전투 전투 정보가 변환됩니다 수치적인 특징에 깊은 학습의 입력으로 사용됩니다 네트워크는 상위 계층 플레이어의 행동을 학습합니다

바이너리 분류 마지막으로 Deep Learning 모델 될 각 액션의 값을 출력한다 다음 행동을 결정하는 데 사용됩니다 여기서 우리는 1 천만 개 이상의 전투 기록을 사용했습니다 훈련에서

다음으로 AI Bot 시스템을 보여 드리겠습니다 우선, 교육 단계에 대해 이야기하겠습니다 PvP에서 다수의 전투 기록 BigQuery를 통해 Google Cloud Storage에 저장됩니다 그리고 교육 과정은 기능의 전처리와 모델 트레이닝, Google Compute Engine에서 실행되고 있습니다 전처리 과정에서 기능 전투 기록의 요구에 따라 생성된다

게임을 에뮬레이션합니다 여기서는 custom 함수를 만들었습니다 교육 과정에서 기능을 만드는 데이터 생성기 교육을 마친 후 훈련 된 인공 지능 모델 클라우드 스토리지에 저장되어 클라우드 ML에 배포 엔진 다음으로 추론 단계로 넘어갑니다 그러니 연락해주십시오

클라이언트 추론 API 서버 슬라이드 왼쪽에 전투 기록은 추론 API 서버에 게시됩니다 AI 로봇과의 전투 이벤트를 진행하는 클라이언트로부터 추론 API 서버가 전투를 재현합니다 레코드로부터, 피쳐를 추출하고, 이러한 기능을 온라인 예측에 보냅니다 클라우드 ML 엔진이있는 API Cloud ML 엔진의 온라인 예측 그것이 최적화되어 있기 때문에 매우 유용합니다

[INAUDIBLE]이 적은 AI 모델을 실시간으로 실행합니다 클라우드 ML 엔진은 DCS에서 시작하여 숙련 된 AI 모델을 사용합니다 각 액션의 값을 반환합니다 값은 클라이언트로 다시 보내지고, 클라이언트가 전투 단계로 이동합니다 값에 따라 최상의 조치를 선택하십시오

그것은 클라이언트 간의 전반적인 커뮤니케이션입니다 및 서버 Google App Engine 및 Cloud ML 엔진 서버의 부하에 대한 응답으로 자동 확장 할 수 있습니다 그것은 아주 좋은 기능입니다 따라서 자동 크기 조정의 이점을 취함으로써, 우리는 많은 양의 요청을 관리 할 수 ​​있습니다

마지막으로 기술 주제를 다룰 것입니다 시스템 테스트 그렇다면 시스템을 테스트해야하는 이유는 무엇입니까? 마지막 슬라이드에서 언급 한 Cloud ML Engine은 자동 확장이 가능합니다 빨리– 좋습니다 네, 그렇습니다

그러나 우리는 얼마나 많은 부하에 대한 지식이 충분하지 못했습니다 시스템은 견딜 수 없다 모바일 게임에서, 일반적으로, 부하 새로운 이벤트가 열리는 순간에 증가하는 경향이 있습니다 슬라이드의 그림은 예제를 보여줍니다 yardstick 이벤트에서 초당 예상 요청 수

시험 계산입니다 초당 요청 수는 수백 개로 증가합니다 10 분 안에 우리는 사전에 시스템이 이 하중을 견뎌야합니다 주목할 점으로 우리는 AI의 행동을 예측할 수 없습니다 일괄 처리로 정기적 인 간격으로

우리 시스템은 요청에 응답해야합니다 실시간으로 플레이어로부터 그것이 AI가 다음 턴에 캐릭터를 배치해야하는 곳입니다 이를 위해 온라인 예측 API를 선택했습니다 클라우드 ML 엔진의 Cloud ML 엔진이 만족할 수 있는지 확인했습니다

부하를 수행하여 우리의 요구 사항 릴리스 전에 테스트합니다 우리의 경우, 테스트가 수행되었습니다 설정에서 요청이 선형 적으로 증가하고 도달합니다 초당 최대 1,000 개의 요청 Cloud ML Engine은 자동으로 응답으로 확장 할 수 있음을 발견했습니다 요청 및 예측의 평균 지연 시간 1 초 미만입니다

그러나 몇 가지 요청이 있습니다 평소보다 더 오랜 시간이 걸렸다 플레이어에게 요청할 수 없기 때문에, 그래서 우리는이 조건을 해결할 필요가있었습니다 DeNA 팀과 Cloud ML 엔진 팀 병목 현상을 조사하기 위해 협력했습니다 그런 다음 시간 초과가 발생했음을 발견했습니다

자동 크기 조정 과정에서 앱의 새로운 인스턴스가 우리의 무거운 짐 때문에 많은 요청을 처리하는 것이 어렵습니다 온라인과 동시에 많은 기능으로 구성됩니다 [? 예측 ?]하지만이 문제를 해결할 수 있다면 효율적이지만 일관성있는, 우리는 미리 시스템을 워밍업 할 필요가 없습니다

시스템이보다 강력해질 것입니다 그래서 우리 팀은이 문제를 해결할 시간을 들였습니다 오류를 제거하기 위해 우리가 다뤄야 할 사항을 살펴 보겠습니다 오류가 한 번에 반환되면 다시 서버로 다시 던질 수 있습니다 그러나 시간 초과가 발생하면 시스템에서 다시 보낼 수 없습니다

다시 한번, 타임 아웃 에러가 반환되지 않기 때문이다 따라서, 추론 API 서버가 5 초 이내에 응답을 받고, 요청이 API로 다시 전송됩니다 다시 말하면, 추측에서 나쁜 것이 발생했기 때문입니다 또한, 요청의 목적지가 동일한 종단점 인 경우, 서버의로드가 증가합니다 결과적으로 백업 엔드 포인트를 설정합니다

실패한 요청을 받는다 메인 엔드 포인트에서 작동합니다 즉, 두 번째 요청이 전송됩니다 독립적으로 준비된 백업 끝점으로 메인 엔드 포인트에서 이것은 백업 엔드 포인트로로드 테스트의 결과입니다 그림은 여러 설정의 오류 비율을 보여줍니다

최소 10 개의 노드가있는 백업, 백업 없음, 최소 20 개의 노드로 백업합니다 백업 엔드 포인트가없는 경우, 왼쪽에, 오류의 약 13 %가 남아 있습니다 최소 10 개의 노드가있는 백업의 중간 설정에서, 작은 오류는 여전히 남아 있지만, 백업은 대부분의 엔드 포인트 오류를 ​​처리 할 수 ​​있습니다 우리는 이러한 작은 오류의 원인을 발견했습니다

백업 인스턴스 수가 조금 적기 때문입니다 그래서 타임 아웃이 여전히 발생했습니다 자동 크기 조정의 예열시 백업 환경에서 그래서 미세 조정 설정의 대부분의 경우, 여기서 백업 인스턴스의 수 주 엔드 포인트의 오류를 처리하기 위해 20으로 설정되었습니다 대체로

이 경우 모든 요청을 처리 할 수 ​​있습니다 오류없이 그래서 이런 식으로, DeNA와 Cloud ML Engine 팀 높고 뾰족한 트래픽과 대기 시간에 대한 도전을 극복했습니다 오류없이 제한하십시오 배포 후이 시스템은 많은 오류를 처리 할 때 안정적입니다

지금까지 AI의 [INAUDIBLE] 시스템에 대해 설명했습니다 GCP 시스템은 유연하게 구축 할 수 있습니다 게임용 다양한 프로그램에 대처할 수 있습니다 이제는 KPI에 대해 6 월으로 넘겨주고 싶습니다 결과와 미래

감사 [박수 갈채] JUN : 네 고마워, 일키 그리고 당신이 언급 한 것 같아요, 우리는 확장 가능하고 견고한 실제 AI에서이 AI를 실제로 구현할 수 있습니다 그래서이 마지막 부분에서 나는 출시 이후에 어떤 일이 일어 났는지 알려주고 먼저 갑판 추천을 위해 초보자 수를 보여주는 차트입니다

누가 데크 추천을 사용하는지 출시 이후에도 일정한 사용이 있었지만이 시점에서, 이 기능은 잘 알려지지 않았습니다 그러나 역은 우리가 홍보 할 게임 내 이벤트 시작 새로운 갑판을 만드는 선수 갑판 추천 시스템은 더 많이 인식되어 왔으며, 이벤트가 끝난 후에도, 많은 플레이어들이이 기능을 자주 사용하고 있습니다 그래서 두 번째로, 우리는 추천 된 갑판이 초보자의 승리율은 약 5 % 추천없이 작성된 데크와 비교 체계

우리의 초점은 초보자를 지원하는 것이었기 때문에, 우리는 이러한 결과에 매우 만족하고 있습니다 또한, 나는이 기능이 잘 적용되고 있음을 언급하고자한다 최상위 계층 플레이어에게도 마찬가지입니다 이것은 부산물 이었지만 우리는 무거운 선수가 보통 관찰 갑판을 자주 업데이트하십시오 그리고이 추천 시스템은 비용을 완화합니다

처음부터 건물 갑판의 그들은 초판으로 추천을 사용하며, 원하는대로 데크를 사용자 정의 할 수 있습니다 이제는 시스템 메트릭을 살펴 보겠습니다 출시 후에는 안정적인 대기 시간을 갖습니다 20 밀리 초이며 이는 우리의 경우에 충분히 빠릅니다

그러나 우리는 결과에 매우 놀랐습니다 추천 알고리즘이 매우 복잡하기 때문에, 우리는 그러한 낮은 대기 시간을 예상하지 못했습니다 자동 크기 조정은 좋은 일을합니다 우리는 지금까지 시스템에 문제가 없었습니다 간단히 말하면, 우리는 평가에 대해 설명 할 것입니다

딥 학습 AI 봇의 공개 후, 우리는 우리 인공 지능 봇은 연습만큼 좋은 승리율을 가지고있다 초보자를위한 파트너 우리의 인공 지능 봇 (AI Bot) 따라서 플레이어는 AI의 모든 레벨을 선택할 수 있습니다 일종의 멘토입니다 이것이 지난 주 발표되었지만, 우리는 비즈니스 영향을 평가할 수있는 충분한 데이터가 없습니다 Dojo는 초보자가 잘 사용하며, 앞으로도 좋은 KPI를 이끌어 낼 수 있기를 바랍니다

그래서 지연에 관해서는, 기계 학습의 추론 엔진은 약 200-300 밀리 초이며, 그들은 매우 빠르고 안정적입니다 전체 시스템의 경우에도 응답 시간 약 1 초입니다 우리의 경우에는 충분히 빠릅니다 백업 엔드 포인트가 잘 작동하고 있습니다 지금까지 시스템에 문제가있었습니다

그래서 내 이야기의 끝으로, 나는 아이템을 보여줄 것이다 우리의 경우에는 효과가있었습니다 인간처럼 게임을 한 인공 지능을 훈련 시키려면, 우리는 완전히 재현 된 전투 기록이 필요했습니다 전투 상태 및 행동 게임에 임의의 효과가 있다면, 무작위 종자가 로그에 저장되었는지 확인하십시오

둘째, AI의 진화를 위해, 우리는 수천의 전투를 수행해야했습니다 실적 통계를 얻을 수 있습니다 헤드리스 시뮬레이터는 이러한 맥락에서 우리에게 많은 도움이되었습니다 강화 학습을 사용하려는 경우 기술, 당신은 또한 매우 빠른 시뮬레이터가 필요합니다, 우리 버전이 나올 전투의 숫자가 정말 중요한 일을 통해 셋째, 스트레스를 받고 싶습니다

구현을 위해서는 확장 가능하고 강력한 시스템이 필요하다는 실제 서비스의 AI 우리는 GCP가 특히 Machine Learning Engine과 GAE – 우리에게 좋은 선택 이었어 마지막 항목은 기술적이지는 않지만 중요합니다 일반적으로 말하자면, 우리는 AI가 얼마나 잘 수행 할 수 있는지 알지 못합니다 비즈니스에 미치는 영향이 얼마나 큰지 프로젝트를 시작하기 전에 있어야합니다

그래서 그러한 불확실한 상황에서, 통신 및 제어 기대는 매우 중요합니다 우리가 기계 학습 엔지니어이지만, 우리는 게임과 비즈니스 문제를 이해하려고 노력합니다 바르게 그리고 이것이 이것이 성공의 핵심 요소라고 생각합니다 이 프로젝트 중 이것은 나에게서 왔고 요약을 사미르에게 전하고 싶습니다

다시 감사 [박수 갈채] 네, 그렇습니다 이 놀라운 발표를 해주신 Jun-san과 Ikki-san에게 감사드립니다 나는 그것이 오늘 많은 사람들에게 영감을 주었다고 생각합니다

그리고 그것은 매우 인상적입니다 그들은 게임을 조금 더하게 만들었습니다 포괄적이며 초보자에게는 좀 친숙합니다 그리고 그들이 구현 한 바를 매우 성공적 일 것이며, 오늘의 프리젠 테이션 어쩌면 몇 가지 아이디어를 가질 수 있습니다 그리고이 세션을 마치기 전에, 나는 당신에게 간단한 사용법을 보여주고 싶다

컴퓨터 학습을 시작할 수있는 경우 그리고 나는별로 이야기하지 않는 두 사람에 대해 빨리 이야기 할 것입니다 전문 지식이 필요하고, 매우 전문 지식이 필요합니다 그들이 한 일과 비슷합니다 그래서 이것으로 시작, 채팅 번역

따라서 게임의 가장 큰 문제점 중 하나는 언어 장벽입니다 그래서 저는 제가 온 지역에서 – 일본, 선수들은 단지 일본어로 말하고 있습니다 그리고 당신은 그 게임을 보지 못할 것입니다 일본인 커뮤니티가 여러 곳있다 한국인과 대만인과 놀고, 왜냐하면 언어 때문입니다

그리고 그 장벽을 깨고 싶다면, 이런 종류의 사전 훈련 된 모델을 사용하여 시작할 수 있습니다 번역 API와 같이 번역 할 실시간으로 메시지를 채팅하고 그러한 종류의 장벽을 깨뜨릴 수 있습니다 좀 더 통합 된 커뮤니티를 갖는 것이 좋을 것입니다 국경 너머로 갈 수있는 게임 내에서 그래서 이것은 하나의 유스 케이스입니다

매우 빨리 시작하십시오 번역을 해본 적이 있다면 – Google 번역 – 당신은 그것이 매우 정확하다는 것을 알 수 있습니다 그리고 언어에서 완벽하지는 않을지라도 게임을 즐기는 것보다 커뮤니티가있는 것보다 낫습니다 서로 통신 할 수없는 두 번째 것은 내가 시도하는 모든 게임 회사를 보는 게임입니다 싸우는 것은 플레이어의 독성입니다

때로는 게임에서 다른 플레이어를 괴롭히는 사람들이있다 그리고 그것은 약간의 경기를 망칠 수 있습니다 따라서 중요한 플레이어를 잃고 싶지는 않습니다 나쁜 선수의 행동 GCP에서 Google Cloud Platform을 시작할 수 있습니다

Natural Language Processing API를 사용합니다 여기에는 감정 분석이라는 기능이 있습니다 Sentiment Analysis가하는 일은, 그것은 입력으로 텍스트를 취할 것이고, 그것이 맞는지 말할 수 있습니다 긍정적 인 입력 또는 부정적인 입력이 완료되었습니다 귀하가 취할 수있는 많은 데이터를 바탕으로, 당신은 아마 선수들로부터 매우 부정적인 통찰력을 발견 할 수 있습니다

그들을 경고하고, 아마 그들을 금지 시키려하고, 정말로 그 시점에 있다면 하지만 너는 수동으로 가고 싶지 않아 모든 채팅 또는 플레이어의 행동을 확인하는 그 사람이 독성이 있는지 결정하십시오 이런 종류의 API를 가져올 수 있습니다 게임의 잠재적 문제에 대한 통찰력, 거래하고있는 잠재적 인 플레이어, 어쩌면 게임의 문제, 그리고 결국 손상시킬 수 있습니다

따라서이 두 가지 사례는 매우 빠르게 시작할 수 있습니다 사전 훈련 된 모델을 사용합니다 마지막으로 좀 더 전문 지식이 필요합니다 DeNA가 오늘 한 것과 매우 비슷하다고 생각합니다 게임을 단순화합니다

DeNA가 한 일은 오늘 생각합니다 단순화의 완벽한 예입니다 AI를 사용한 게임 그리고 그들은 갑판 추천을했습니다 약간의 게임 구성을 간소화하는 방법 당신이 너무 많은 문자를 가지고있을 때

또한 봇에 맞서 훈련 할 수있는 방법이 있습니다 사람들을 훈련시키고 도울 수있는 방법이기도합니다 따라서 다른 유스 케이스에서도 생각할 수 있습니다 그리고 내가 항상 스튜디오에서들을 수있는 Q와 A입니다 따라서 QA 테스트 – Q 및 A가 아닌 QA 테스트

따라서 QA 테스트는 많은 비용이 들며, 당신이 약간의 변화를 할 때마다 당신은 시험을해야하기 때문입니다 이것이 깨지지 않는지 테스트해야합니다 예를 들어, 당신의 게임의 균형 모바일 공간에서, 심지어 지금은 콘솔에서, 당신이 Fortnite와 같은 최신 게임을 보게되기 때문에, 매주 업데이트되어 게임에 새로운 아이템을 가져옵니다 이런 종류의 테스트를 자동화 할 수 있다면, 당신은 언제 게임에 새 아이템이나 새 카드를 가져 오면, 그것은 게임의 균형을 깨지 않습니다

그리고 보통, 나는 일본에있는 것으로부터 볼 수 있습니다 일본의 모바일 게임을 즐기는 새로운 아이템, 새로운 캐릭터를 2 주마다 가져옵니다 때로는 캐릭터가 균형을 깨뜨릴 수 있습니다 Fortnite에서 보았을 때도 있습니다 새로운 무기를 가져와, 너무 강하다

즉시 조치를 취합니다 하지만 그렇게하기 전에 행동하고 싶습니다 업데이트로 프로덕션에 들어가기 전에 만약 자동화를 만들 수 있다면, 그것은 유스 케이스 중 하나가 될 것이다 재미있을 수 있습니다 그리고 저는 이런 종류의 일을한다고 생각합니다

TensorFlow, 기계 학습을 사용할 수 있습니다 엔진을 사용하고 DeNA가 수행 한 것과 매우 유사한 작업을 수행하십시오 DeNA의 발표 내용 영감을주고 통찰력을주었습니다 어떻게 복잡한 문제를 제기하고 접근하는지, 어쩌면 인간이 만든 로봇 일 수도 있습니다 그러나 이것이 당신에게 도움이되기를 바랍니다

그리고 우리는 시간이 좀 있다고 생각합니다 나는 우리에게 10 분이 더 있다고 생각한다 자네가 궁금한 점이 있으면 우리는 Ikki-san, 준 산 – 제발 무대에 올라와 궁금한 점이 있으시면 그들은 뒤쪽에 마이크가 있습니다 그리고 자유롭게 질문하십시오 조금 더 깊이 이야기하고 싶다면 당신이 가진 도전, 우리가 할 수있는 회의가 끝나면 토론한다 정말 고마워요

[박수 갈채] 다른 질문 있나요? 아 관객 : 먼저, 당신의 이야기에 감사드립니다 다른 기술 수준에 따라 AI를 훈련 할 때 – 초보자와 상대로 놀기 전문가 – 당신은 클라우드 시스템, ML 시스템에 물어 보셨습니까? 다중 추론을 위해서? 아니면 다르게 훈련 시켰습니까? 자주 잃는 사람들을위한 게임에 대해 교육을 받았습니까? 전문가 들과는 반대로? JUN : 그래서 당신의 질문은 만약 우리가 최상위 계층 플레이어와 함께 기차 [INAUDIBLE] ?? 아 네 네

맞습니다 관객 : 가끔씩 그렇게 훈련 시키길 원합니다 초보자를 잃는다 그렇다면 어떻게 그 목표를 달성 했습니까? JUN : 당신은 그 수준을 훈련시키는 것을 의미합니까? 네 네

승인 그래서 우리는 그러한 조정을위한 몇 가지 계획을 고안했습니다 그래서 우리는 매번 추측하여 이동의 점수를 얻습니다 권리? 예를 들어, 10 개의 움직임이 있다면, 우리는 모든 최신 점수를 분류하고 가장 높은 점수를 골라냅니다 까지– 나는 강한 것을 의미합니다

권리? 그러나 우리는 특정 확률로 2 위와 3 위를 움직이며, 이것이 하이퍼 매개 변수이며 우리는 수동으로 튜닝을하고 있습니다 그 매개 변수 그래서 우리가 – 우리는 플레이어에 따라 레벨의 균형을 맞출 수 있습니다 관객 : 게임 봇 구축시, 강화 학습을 사용 했습니까? 또는 즉석에서 배우기, 또는 어쩌면 너 다른 모델과 다른 결과가 있었습니까? JUN :이 경우에는 사용하지 않지만 노력하고 있습니다 글쎄요, 실제로, [INAUDIBLE] ,, 여기, 그것 [? main?] function running이 매우 불안정합니다

배우다– 특히 이런 종류의 전략적 게임에서 그래서 우리가 노력하고 있지만 승리율이 그렇게 높지는 않습니다 감독 된 학습 인공 지능 로봇과 같습니다 여기 요 관객 : 안녕하세요

다시 한 번 말씀해 주셔서 감사합니다 따라서 9 개월간의 데이터 및 수십억 개의 로그가 시작되었습니다 이 시스템을 새로운 게임에 넣으려면, 9 개월은 매우 오랜 시간이며, 많은 선수들이 이미오고 갈아 입을지도 모른다 그러면 이상이 될 것입니다 무엇이 정렬일까요? 이론적 인 최소값은? 처음에 이것을 넣고 가서 배우십시오

일정 시간 기다려야합니까? [? 이것을 성취합니까? ?] JUN : 네 사실, 2 주 또는 1 개월 데이터 우리 사건에 충분하다 그래서 9 개월은 완충기의 일종입니다 그래서 9 개월짜리 데이터를 사용하는 것은 너무 어렵다고 생각합니다 하지만 당신은 [INAUDIBLE]을 측정하고 있습니다

관객 : 할 수 있다면 – 이것을 다음 게임으로 옮기면 시작했을 때 이걸 가지고 있을까? JUN : 아 네 그래서 그럴 경우 아마도 한 달 간의 데이터가 필요할 것입니다 또는 훈련 시작 전 몇 주 동안의 데이터 – 다른 질문 있니? 아

저쪽에 예 그건 그렇고, 아주 좋은 질문에 감사드립니다 아주 좋은 지적입니다 관객 : 게임의 본질, 요즘, 게임의 규칙이 자주 바뀌는 것입니다

특히 게임 업데이트 그리고 그것은 봇의 플레이 방식을 변경합니다 그걸 어떻게 처리 할 계획입니까? JUN : 네 그건 좋은 지적이야 사실 우리는 매주 몇 명의 성격을 발표하고 있습니다

게임 로봇은 시간에 따라 변합니다 그러나 우리의 깊은 학습 프레임 워크는 심지어 그러한 경우에도 작동합니다 때문에– 음, 일주일 또는 며칠의 데이터를 사용한 직후, 인공 지능은 다음과 같이 추가됩니다 어떻게 ~ 최신 환경 따라서 1 주일 지연 될 수 있습니다

그러나이 경우, 나는 우리가 받아 들일 만하다고 생각한다 그래 그 질문에 대한 답변입니다 관객 : 다른 문제는 무엇입니까? JUN : 그래서 당신의 질문은 무엇이 문제인지, 현재, 우리가 가진거야? 또는– 청중 : 다른 유형의 문제가 있습니까? 너는 달려 드는 것을 고려하고있다 오늘 발표 한 것 외에? 다른 문제가 있다면 ML을 사용하여 해결하고 싶습니까? JUN : 아

그래 물론 그래서 기계 학습의 중요성을 언급했습니다 하지만 실제로는 게임 밸런스를 유지하려고합니다 매우 안정적이며 캐릭터를 공개하기 전에 권리? 따라서 우리는 강화 학습 엔진을 구현하고자합니다 릴리스 전에 새로운 캐릭터를 배우려면, 잔액이 너무 많지 않은지 확인하십시오

내 말은, 힘, 강하고 약한 것, 또는 그와 비슷한 것 그래서 그것은 다음 도전 일 것입니다 관객 : 안녕하세요 감사 귀하의 의견과 관련하여 귀하는 어떤 데이터를 삭제합니까? 캡처 한 모든 것을 사용하고 있습니까? 처음부터, 또는 마지막 패치에서부터, 마지막 두 패치 – 오히려 업데이트? JUN : 네

사실, 우리는 거의 모든 것을 사용하고 있습니다 정보, 내가 이것을 말하면서 그래서 우리는 5 킬로의 특징을 사용하고 있습니다 이사회를 위해 발휘되었다 어떤 종류의 기술이 활성화되는 것과 마찬가지로, 또는 마지막 턴에서 일어난 일, 또는 그런 것

네 관객 : 레거시 데이터가 종류의 인공 지능, 또는 선택, 모든 종류의? 6 월 : 음 – 미안 나는 네가 놓친 것 같아 관객 : 예 더 많은 캐릭터를 소개 할 때, 더 많은 옵션이 있습니다

아주 오래된 데이터가 이 모든 새로운 것들에 대해 몰랐다 종류의 왜곡 권고, 또는 AI가 무엇인지 – 사마르 : 네가 게임에 변화가 있다면 시간이 지남에 따른 기능성, 새로운 유형의 데이터 처리 방법 네가 전에 없었던 JUN : 네, 그게 지금 우리가 가진 가장 큰 문제입니다 그리고 솔직히, 우리는 – 그래서 우리가 새로운 기술을 발표 할 때마다, 우리는 기능 추출기를 조정하고 있습니다 새로운 기능을 만들 수 있습니다 하지만 그 운영 비용은 매우 높습니다

그래서 우리는 어떻게 든 그 과정을 최적화하기를 원합니다 그래서 이것이 해결해야 할 다음 과제 일 수 있습니다 – 다른 질문 있니? 승인 제 생각에 좀 더 자세히 이야기하고 싶다면, 우리는 무대 왼쪽에 머무르고 있습니다 와 주셔서 언제든지 질문하십시오

그 이외에 오늘 다시 감사드립니다 정말 좋았어요 그리고 오늘 우리와 함께 해 주신 모든 분들께 감사드립니다 [박수 갈채]

Keeping Iowa roads safe with AI

[음악 재생] 제프 웰릭 : 많은 사람들이 말한다 아이오와 날씨가 마음에 들지 않으면 10 분 정도 기다리십시오

그것은 바뀔 것이다 MATT PATTON : 전형적인 날, 아이들 학교에 도착하기 위해 10 마일이나 12 마일을 여행 할 것입니다 학교 교육감으로서, 나의 주요 관심사 우리가 모두를 학교에오고가는 것을 확실히하고있다 안전하게 제프리 웰릭 : 일반적으로 우리는 4시 30 분경에 일어납니다

우리는 나가서 도로를 스캔합니다 매트는 보통 한 방향으로 간다 나는 반대쪽으로 간다 MATT PATTON : 도로 상태가 변화함에 따라, 우리가 아는 것 위에 머무르는 것이 중요합니다 저기서 무슨 일이 일어나고 있는지

아이오와 DOT는 우리에게 매우 소중한 존재였습니다 BONNIE CASTILLO : 교통부의 목표 여행객을 자신의 위치로 효율적으로 이동시키는 것입니다 그리고 안전하게 우리는 계속해서 운영자를 찾고 있습니다 400 개 이상의 카메라 및 기타 데이터 소스에서 하루 24 시간, 일주일에 7 일

모든 다른 정보를 분석하는 것은 매우 어렵습니다 온다 TRACEY BRAMBLE : 데이터 흐름을 압축하고 싶습니다 도움을 받아 훨씬 빨리 분석 할 수 있어야합니다 아이오와 주 출신

NEAL HAWKINS : 우리는 정말 도로의 작동을 다루는 기계 학습 TensorFlow가 트래픽을 이해하는 데 도움을줍니다 패턴 그 정보로 경고하고 예측하는 것이 더 낫다 HUANG TINGTING : 기계 학습이 자동으로 수행됩니다

카메라의 이미지를 확인하십시오 충돌이 발생했는지 감지하고 정보를 보낼 수 있습니다 교통 엔지니어에게 TRACEY BRAMBLE : 그리고 만약에 당신의 출퇴근에 영향을 줄 수있는 무언가가되기 위해서, 우리는 곧 그 정보를 얻고 싶다 가능한 한

MATT PATTON : 기술로 인해 전체 학군에 걸쳐 발생하는 우리는 우리 아이들을 위해 더 나은 결정을 내릴 것입니다 우리는 아침 5시에 일어나지 않을거야 도로를 운전했다 나는 너에게 정직하기 위해 잠을 자야했다 NEAL HAWKINS : 기계 학습은 실제로 우리가 가진 데이터에 대해 생각하는 방식에 혁명을 일으켰습니다

우리가 차량과 연결해야합니다 보니 카스티요 (BONNIE CASTILLO) : 아이오와 도로 모든 기술로 인해 더 안전합니다 우리는 가져올 수있었습니다 우리는 여행을 더욱 안전하고 효율적으로 만들고 있습니다 그래서 나는 점점 더 좋아지고 있습니다

[음악 재생]

Taranis: Saving the world’s food supply with cutting-edge AI

오늘 유익한 농장 운영 그 어느 때보다도 더 많은 돈을 투자 우리의 밭에 시간과 에너지를 아직도 우리 작물의 약 30 %가 간다 낭비

내 농장이 많아서 헥타르에 자리 잡기가 정말 어렵습니다 문제가 너무 늦기 전에 당신은 계속 세계 기아에 관한 이야기 ​​듣기, 지구 온난화 화학 물질 유출 그만큼 농업 산업은 엄청난 문제에 직면 해있다 이 쟁점에 대처하기위한 도전 증가하는 세계와 함께 인구

낙담하지 말고 우리가 구축하기로 결정한이 문제들로 실제로 그들을 해결하는 기술 Taranis는 정밀 농업입니다 정보 플랫폼 우리는 인공적인 농부들에게 정보를 제공하는 정보 슈퍼 고해상도 기반 보고서 리프 수준까지 이미지를 만들 수 있습니다 더 일찍 목표에 개입하다 적은 화학 물질을 사용합니다

우리가 우리의 인프라 우리는 두 개의 메인 첫 번째 도전은 어떻게해야합니까? 대량의 이미지 파일 업로드 전 세계의 원격 장소 두 번째 방법은 우리가 어떻게 충분히 강력한 확장 가능한 인프라 복잡한 기계 학습 모델을 테스트하는 방법 해당 모델을 식별하여 질병과 해충이 퍼지기 전에 Google Cloud Platform에서 제공 대답 우리는 약 70 만 건의 업로드를 시작했습니다 Google Cloud 및 Google 팀에 사진 업로드 약 100 명의 태그가 붙은 농학자 백만 가지 고유 기능 그것이 우리가 우리 모델을 훈련시켰다

이제 우리는 우리가 얻는 수백만 장의 사진을 모델로 고객으로부터 매일 둘 다 데이터 저장 요구 및 데이터 쿼리 볼륨은 정말 중요합니다 Google 클라우드를 통해 이러한 문제를 관리 할 수있었습니다 대규모 책 우리는 Taranis 기계 학습의 요점 건강한 농부가 걸릴 수 있도록 손상된 잎 동작

우리가 Taranies가 GCP 솔루션을 통해 그들은 지속적으로 모델의 정확성 BigTable 및 BigQuery를 사용하면 사용자가 직접 가져 오기, 관리, 역사적인 것과 새로운 것 모두를 분석한다 데이터 또한 Google과의 통합을 돕습니다 정확한지도를 찾을 수 있도록 Maps API 처리되고 실행되어야하는 영역 시간에 따른 비교

이것을 사용함으로써 기술 나는 손실을 막을 수있다 더 건강한 식물과 내 수확량 증가 적은 노력 우리는 농업과 큰 글로벌 문제 해결 문제 우리는 그것 없이는 할 수 없었다 Google Cloud [음악] 당신

Google and NXP advance artificial intelligence with the Edge TPU

빌리 루 뤼게 : 안녕하세요 저는 Google AOI 팀의 빌리 러 틀리지입니다

그리고 오늘 NXP 파빌리온 CES에서 열렸습니다 우리의 신제품을 소개합니다 – Edge TPU Dev 최첨단 TPU 칩과 NXP iMX가 결합 된 보드 개발자가 실험 할 수있는 8 가지 SoC 인공 지능을 처음으로 사용했습니다 그래서 보드 자체는 사실 두 조각입니다 여기베이스 보드에 모든 커넥터가 있습니다 대부분의 개발자들이 신제품을 프로토 타이핑하는 데 사용할 것입니다

생각 그리고 나서 SoM 모듈 – SoM은 CPU, GPU 및 TPU 칩을 포함하며, 메모리 및 Wi-Fi 및 블루투스가 포함됩니다 실제로베이스 보드에 스냅됩니다 고밀도 커넥터를 사용합니다 그래서 실험을 할 수 있습니다

실제 하드웨어를 개발 환경에두고, 생산 라인을위한 SoM 부품을 살 수 있어야한다 스마트 스피커를 사용할 준비가되면, 스마트 식기 세척기, 스마트 TV를 확장 가능한 생산 계획으로 오늘 우리는 몇 가지 다른 데모를 보여줍니다 이러한 유형의 기술을 어떻게 실험 할 수 있는지, AI에서 최첨단 기술을 사용하여 사람들을 탐색 할 수 있기를 바랍니다 안녕, 제 이름은 Peter Malkin입니다 나는 Google에서 근무하고 있습니다

저는 AOI 프로젝트의 소프트웨어 기술 책임자입니다 그리고 오늘 우리는 당신에게 얼굴 탐지 데모를 보여줍니다 Edge TPU에서 실행됩니다 Edge TPU의 핵심은 개인 정보 보호 및 보안입니다 이제부터는 픽셀이 필요 없습니다

데이터 센터로 이동합니다 회사에 데이터를 제공 할 필요가 없습니다 모든 기계 학습 추론을 로컬로 실행할 수 있습니다 칩셋에 이 경우 특히, 우리는 인간의 얼굴을 인식 할 수있는 네트워크를 시도했습니다

장치에서 로컬로 실행 중입니다 Linux를 실행하는 소형 임베디드 시스템에서 JUNE TATE-GANS : 안녕하세요, 제 이름은 June Tate-gans입니다 사실 저는 소프트웨어 엔지니어 중 한 명입니다 AOI 프로젝트 작업

CES에서 우리 데모 중 하나는 실제로 교수 가능한 기계입니다 실제로 우리는 지역 추론을 사용합니다 네트워크가없는 기기에서 직접 모델을 훈련시키는 것 연결성 이것을 우리의 교수 가능한 기계 데모라고 부릅니다 바로 여기 있습니다

근본적으로 하늘을 향한 카메라가 있습니다 이제 내가해야 할 첫 번째 일은 배경을 알기 위해 그것을 훈련 시키십시오 그래서 그것은 객체들 사이를 구별 할 수있다 나는 그것을 보여주고 있으며 배경은 무엇인가 그리고 내가하는 첫 번째 작업은이 버튼 중 하나를 누르는 것입니다

실제로 무엇을보고 있는지 말해야합니다 이제는 배경이 무엇인지 알 수 있습니다 나는 이제 그것을 대상으로 훈련시킬 수있다 이 특별한 경우에, 나는이 아이스크림을 사용할거야 아이스크림을 붙잡고 버튼을 누릅니다

이제는 배경과 아이스크림을 구분할 수 있습니다 그리고 당신은 그것이 기계 학습이고 추론을한다는 것을 압니다 내가 다른 색으로 보여줄 수 있기 때문에 동일한 결과를 얻습니다 이 이 핫도그와 같은 다른 대상으로도 확장 할 수 있습니다

그래서 핫도그, 아이스크림, 핫도그 그리고 도넛과 같은 그래서 도넛, 핫도그, 아이스크림 안녕, 로바 제 이름은 레오니다드입니다

나는 AOI 프로젝트를 위해 Google에서 근무하고 있습니다 여기에 우리의 [무관심] 데모에 대해 이야기하겠습니다 따라서 각각의 더 큰 데모 아래에서, 깊이 카메라가있는 작은 디스플레이가 있습니다 그리고 그것은 시간을 보여줍니다 그리고 그것은 중요한 특징입니다

사람들이 얼마나 많은 시간을 보느냐를 추적하기 때문에 다른 큰 데모에서 그리고 경계 상자를 표시하는 것을 볼 수 있습니다 사람들의 얼굴 주위에 여기 내 얼굴이 있습니다 그리고 제가 그린 박스가 있습니다

데모 스탠드쪽으로 찾고 있습니다 그리고 내가 돌아 서면, 지금 너처럼 빨간 상자를 볼 수 있습니다 나는 나 자신을 확신하지 않지만 그것은 빨갛게되어 있어야만한다 그리고 이것은 개발 보드에서 완전히 실행되었습니다 디스플레이 뒤에있는 것을 볼 수 있습니다

여기에 [INAUDIBLE] 데모와 같은 단어가 있습니다 따라서 인터넷 또는 클라우드 연결이 필요하지 않습니다 그리고 그것은 우리가 스스로이기 때문에 좋은 적용입니다 집에서 많은 사람들이 다른 큰 데모를보고 있습니다 그리고 당신은 중간에, 우리는 지금 4, 1/2 시간 같은 것을 가지고 있습니다

그리고 구석에 서서 세 명 이상이 있습니다 시간 꽤 설명 할 만하지만 여전히 흥미 롭습니다 함께 통계 BILLY RUTLEDGE : 이제 막 시작했습니다

가능 한 것의 표면을 긁다 인공 지능 오늘 Google Edge TPU Dev를 제공하게 된 것을 기쁘게 생각합니다 세계에서 장비상의 인공 지능을 구체적으로 실험 할 수있는 키트 장치에서 고성능 기능을 탐색하려면, 보드 자체에 모든 데이터가 저장되는 보안, 로컬에서 모든 것을 처리 할 수 ​​있으므로 성능이 향상됩니다 컴퓨터에 우리는 기회의 세계를 열어 줄 것이라고 생각합니다

신제품 개발을위한 우리는 당신이 다음에 그로 인해 무엇을 만들 수 있는지에 대해 매우 기쁩니다 [음악 재생]

NeurIPS and AI Research with Anima Anandkumar: GCPPodcast Episode 157

[음악 재생] 멜라니 워릭 : 안녕하세요 에피소드 157에 오신 것을 환영합니다

"Google Cloud Platform Podcast"의 나는 멜라니 워릭이야, 나 혼자 야 이번 주에 마크는 휴가 중입니다 하지만 괜찮습니다 다음주에 다시 올거야 나는 Anima Anandkumar에 초대했다

이번 주에 우리와 함께하여 다가오는 컨퍼런스에 관해 이야기 할 것입니다 AI 커뮤니티에서 꽤 잘 확립 된 컨퍼런스 이 회의는 실제로 다음주에 열릴 예정입니다 특히, 우리는 말할 것입니다 그 이름을 둘러싼 논쟁에 대해서 더 구체적으로는 회의의 머리 글자 어입니다

이것이 바로 핵심 구성 요소로 듣게 될 것입니다 이번 주 우리의 포드 캐스트 중 그 이름은 신경 정보를위한 NIPS였습니다 프로세싱 시스템 (Processing System)을 개발했지만 NeurIPS (NeurIPS) 우리가 그걸 알아챌거야 언제나처럼, 우리는 그주의 멋진 것들로 시작합니다

그리고 우리는 그주의 질문으로 끝날 것입니다 그리고 팟 캐스트의 내용 때문에, 나는 의문을 가지고 가기로 작정했다 너가 조롱 당하거나, 너라면 온라인에서 괴롭힘을 당하면서 그걸 할 수 있니? 그래서 우리는 나중에 그것을 얻을 것입니다 하지만 그 전에, 제가 언급했듯이, 우리는 이번 주에 우리의 시원한 것들에 도달하고, 이번 주 동안, 내가 우리를 위해 발굴 한 몇 가지 멋진 것들이 있습니다 또는 최소한 끌어 당겼다

말하는 블로그 게시물이 있습니다 클라우드 DLP로 작업하는 방법, 데이터 손실 특히 예방 API, 도움 비 식별 및 난독 화와 함께 민감한 정보 따라서 서면으로 작성한 컨텐츠로 많은 일을한다면, 당신은 그것을 공유 할 필요가 있습니다 – 그리고 오늘날과 시대에, 마스크 할 수 있는지에 대한 민감성이 있다는 것을 알고 있습니다 전화 번호, 사회 보장 번호 – 이 API에는 통합 할 수있는 방법이 있습니다 네가하고있는 일에 또는 당신이 가진 많은 것들에 교체 작업을보다 쉽게 ​​자동화 할 수 있도록 협력하고, 수정, 마스킹 – 당신의 이름입니다

따라서 해당 API에 대한 정보 및 API 사용 방법 블로그 게시물에 제공됩니다 이번 주 또 다른 멋진 일이 있습니다 어떻게 할 수 있는지에 대한 멋진 블로그 글 의료 이미징 데이터로 가능한 것을 열어주십시오 따라서 몇 가지 추가 도구와 기술을 단계별로 실행하고 있습니다 다시 출시 된 API 내에서 제공되는 3 월, 특히 클라우드 헬스 케어 API 그러나 그것의 바깥쪽에 또한

API 자체에서 내가 말한 탈 식별 기술 클라우드 DLP에서 가져온 다음 이해를 돕기 위해 제공된 일부 코드 랩 건강 관리를 위해 인공 지능과 기계 학습을 사용하는 방법, 뿐만 아니라 Kaggle은 파트너 관계를 맺고 있습니다 알지 못하는 사람들을위한 RSNA와의 경쟁, RSNA는 북미의 방사선 학회 (Radiological Society of North America) 그들은 특히 경쟁을하고 있습니다 폐렴 검진 따라서 이러한 유형의 활동과 기법을 확인할 수 있습니다 그것이 어떻게 적용될 수 있는지보십시오

또 다른 멋진 점은 데이터 세트가 API로 통합되고 제공되고있다 Google Cloud를 통해 데이터 세트는 Quick, Draw! 제공했다 작년에 출처를 공개 했으므로, 그러나 최근에는 그것이 통합으로서의 공급자 였을 때입니다 Google 클라우드로 그리고 그것은 5 천만 개의 드로잉입니다 사실, 그래서 당신이 이미지를 가지고 실험하고 싶다면 그리고 그려진 이미지로 실험 해보세요 당신은 이것을 조사해야합니다

그리고 이번 주 마지막 멋진 일 – 우리 동료 중 한 명인 새라 로빈슨 (Sara Robinson) 이 위대한 블로그 게시물을 작성했습니다 머신 학습 기계로 알려져 있습니다 본질적으로, 그녀는 CPU 성능을 평가할 수 있으며,이 모델의 배경에있는 아이디어 당신이 사람들을 이해하도록 돕고 싶다는 것입니다 그 질문, 어떤 유형의 CPU 설정 기계 학습을 할 때 사용해야합니까? 글쎄, 훌륭한 콘텐츠가있어 SPEC이 구축 중이거나 수거 해왔다는 것, 표준 성능 평가 회사

수집하는 데이터의 종류 컴퓨터 성능 및 에너지에 관한 벤치 마크 결과입니다 효율성을 고려하여 다양한 설정을 검토했습니다 그들은 그들의 공연을 보았다 다양한 유형의 알고리즘, 비디오, 오디오 그래서 그녀는이 정보를 가지고갔습니다

그런 다음 그녀는 해당 CPU에 대한 필요성을 예측하는 데 도움을줍니다 그리고 당신이 사용할 수있는 CPU가 무엇이든, 그것이 얼마나 성취 할 것인가 그래, 블로그 게시물을 봐 그녀가 한 일, 왜 그 일을했는지, 그리고 당신도 스스로 할 수도 있고 그녀가하는 것을 사용할 수도 있습니다 세워짐

이번 주에는 멋진 일을 위해 그것은 우리를위한 것입니다 인터뷰에 참여할 시간 애니 마랑 얘기해 봅시다 그래서 이번 주 Anima Anandkumar가 저와 합류하게 된 것을 기쁘게 생각합니다 팟 캐스트에

나는 너를 여기에서 보내서 매우 기쁘다 팟 캐스트를 가져 주셔서 감사합니다, 아니 마 ANIMA ANANDKUMAR : 고마워요, 멜라니 그것은 기쁨 멜리 준 워릭 : 그래서 애니 마야, 나도 알아

당신은 Caltech, CMS 부서의 Bren 교수입니다 당신은 또한 기계 학습 연구의 책임자이기도합니다 Nvidia에서 우리는 브라이언과 함께 훌륭한 포드 캐스트를했습니다 올해 초 Nvidia와 그가 저지른 작업에 대해 그리고 상당한 액수를 버렸습니다 연구 전반에 걸쳐, 특히 tensors에서의 중요한 영향 – 텐서 대수적 방법, 나는해야한다

말하자면, 특히 대규모 학습, 깊은 학습, 확률 론적 모델 항상 그렇습니다 빨리 말하기가 매우 어렵습니다 기계 주변 공간에 큰 영향을 미쳤습니다 인공 지능을 배우면서 조금 더 말씀해 주시겠습니까? 내가 이미 얘기 한 것 이외에, 당신이 누구인지, 당신의 배경은 무엇입니까? 현장에서? ANIMA ANANDKUMAR : 당연하지, 멜라니

나는 다양한 배경을 가지고 일했다 주제의 범위 사실, 나는 전기 공학에서 시작했다 신호 처리 및 정보 이론 작업 제가 처음으로 보았던 문제는 센서 네트워크였습니다

분산되어있는 엄청난 수의 센서가 있다면, 무선 네트워크를 통해 통신해야하는 배터리가 부족하여 어떻게 학습 할 수 있습니까? 그리고 오늘, 우리는 그것에 대해 다시 생각해 보았습니다 인터넷에 대해 생각한다면 그러나 약 15 년 전, 그것은 여전히 ​​개념적인 문제였습니다 그러나 무엇에 대해 많은 질문이있었습니다 사용할 수학 공식 및 방법 분산 된 환경에서 정보를 생각하는 것

그래서 저는 이것이 완전한 동그라미가되는 것을 봅니다, 제가 깊이있는 이론 개념을 생각하기 시작했습니다 그러나 오늘, 우리는 그 많은 꿈을 실현할 수 있습니다 우리는 그 네트워크, 장치, 일어나는 것을 볼 수 있습니다 우리는 우리가 깨달을 수있는 것을 물어볼 수있다 실용적인 응용 프로그램으로

그런 이유로 그것은 정말 흥분되는 시간입니다 기계 학습 및 인공 지능에 있어야하며, 여러 다른 영역의 배경을 가지고 있습니다 정보 이론의 기초 이론, 기계 내가 배울 수있는 학습 이론 이론과 실천 사이의 격차를 해소하는 방법을 묻습니다 고마워요 그래서 나는 사람들이 텐서 (tensors)에 관해 말할 때마다, 그들은 보통 당신에 대해 이야기 할 것입니다

나는 또한 많은 사람들이 끊임없이 그들이 질문에 대해 들었을 때, TensorFlow를 의미합니까? 잠시 만지고 싶니? Tensor는 TensorFlow에 있지만 반드시 그런 것은 아닙니다 TensorFlow를 의미합니다 ANIMA ANANDKUMAR : 좋은 뜻은 깊은 학습 혁명에 관하여 지금은 아무도는 텐서를 두려워하지 않는다 모두는 tensors라는 단어에 대해 들어 봤습니다 그것이 깊은 학습 틀로서의 TensorFlow이든, 또는 텐서 호출을 사용하여 깊은 계산을 수행합니다

Nvidia GPU 학습 하지만 저에게 그것은 완전히 아닙니다 텐서 계산의 잠재력을 실현합니다 우리는 여전히 이러한 텐서 호출에서 행렬 대수학을 수행합니다 또는 우리의 신경 네트워크 [INAUDIBLE] ,, TensorFlow에 신경망을 작성할 때, 그래서 당신이 그 작업을 확장 할 수있는 반면 훨씬 더 광범위하게 생각하십시오

그렇다면 TensorFlow는 무엇을 의미합니까? 그것은 당신이 텐서의 흐름을 가지고 있다는 것을 의미합니다 이러한 처리 계층 전반에 걸쳐 입력은 텐서입니다 출력은 일반적으로 텐서, 당신은 그것을 변형시키는 이러한 중간 작업을 가지고 있습니다 그리고 지금 당장 우리는 이러한 변환을 수행하고 있습니다 다소 단순한 방법으로 이러한 아키텍처는 어렵습니다

우리는 [INAUDIBLE]에 의해 가고 있습니다 우리는 말하고 있습니다 편차가있는 번역이 있기 때문에, 그리고 이것은 우리가 [INAUDIBLE] 할 때 갖는 유용한 것입니다 완전히 연결된 레이어로 변환 해 봅시다

이 3 차원 활성화를 변경해야하기 때문에 길쌈 층의 무언가로 카테고리로 처리 할 수 ​​있습니다 분류 작업의 결과입니다 이것들은 간단한 직관에 의해 진행됩니다 그러나 우리는 다음 단계가 무엇인지 물을 수 있습니다 훨씬 복잡한 아키텍처를 할 수 있을까요? 그러나 그것은 우리에게 여러 차원의 이점을 줄 수 있습니다

잠재적으로 우리의 현재 네트워크를 압축 할 수있다 대량으로, 우리가 더 잘 일반화 할 수 있도록 더 좋고 더 높은 차원에서 상관 관계를 더 잘 포착하기 때문에 의미있는 방법? 그리고 그것이 바로 텐서 대수학의 잠재력입니다 간단한 예로서, 시작하면 이러한 컨볼 루션 네트워크에서는, 내가 전에 언급 한 것처럼 이 3 차원 활성화가있다 길쌈 레이어를 통과 할 때 필터가 작동하는 방식을보고 있기 때문에 입력에, 그리고 이렇게 많은 채널을 가지고 처리 할 때 누적되는 모든 필터를 통해 그래서 당신은이 입체적인 모양을 가지고 있습니다 하지만 완전히 연결된 레이어에 올 때, 당신은 그것을 vectorize

이 세 가지 차원을 모두 무시합니다 당신은 그냥 벡터로 취급하고, 당신은 완전히 연결된 레이어로 행렬 곱셈을 수행하고, 그런 층을 거의 거치지 않고 결과를 전달합니다 그리고 최종적으로 출력을 얻습니다 이것은 분류입니다 그래서 대신에 우리는 물었습니다

3 차원 정보를 유지하다 모든 방법을 통해? 완전히 연결된 층에서도, 당신은 3 차원을 유지합니다 텐서를 수축하면 당신은 세 가지 별개의 무게 행렬을보고 있습니다 치수, 그리고 당신은 그것들을 배우고 있습니다 그리고 마지막 층에서 회귀를 할 때, 낮은 순위의 매개 변수화 된 가중치를 사용하고 있습니다 즉, 매개 변수 집합을 훨씬 더 작게 만들 수 있습니다

당신에게 똑같은 정확성을 줄 수 있습니다 실제로 우리는 65 % 이상의 공간 절약을 발견했습니다 이러한 완전히 연결된 레이어에서 다차원 성 그리고 내가 가진 야망은 그것을 다음 단계로 가져가는 것입니다 내가 완전히 새로운 것을 깨달을 수 있다고 생각해 보라

이 고차원을 바라 보면서 건축 텐서 연산 그들이 무엇이고, 어떤 영향을 미칠 수 있습니까? 특히 멀티 모달 정보를 생각하면 그것은 단지 이미지가 아닙니다 그것은 이미지와 텍스트 및 기타 정보입니다 우리는 이러한 차원의 폭발이 있습니다 우리는 자연적으로 그들을 텐서로 부호화 할 수 있습니까? 그것을 네트워크 전체에서 수행하십시오

MELANIE WARRICK : 그것은 당신의 연구의 다음 단계입니다 당신이 현재 관여하고 있다고 당신이 앞으로 나아갈 방향으로 말입니다 그래서 내가 원했던 다른 질문들 중 하나 우리가 잠수하기 전에 너에게 물어볼거야 추가 물건 고기 우리는이 포드 캐스트 동안 이야기 할 예정이었습니다 너는 무엇에 대해 우리에게 조금 말할 수 있니? 당신은 기계의 책임자로서 엔비디아 학습 연구? ANIMA ANANDKUMAR : 네, 그래서 엔비디아에 와서 매우 기쁩니다

지금은 두 달이되었습니다 그것은 매우 빠르게 진행되었습니다 왜냐하면 – 멜라니 워릭 : 그래서 모든 문제를 해결 했어야합니다 그곳에 [웃음] [INAUDIBLE] 문제 없습니다

ANIMA ANANDKUMAR : 나는 단지 소원한다 나는 단지 소원한다 나는 놀라운 동료를 갖게되어서 너무 기쁩니다 Bill Dally는 여기의 수석 과학자입니다 Bryan Catanzaro, Jan Kautz 및 연구원들도 컴퓨터 그래픽 측면, 아키텍처, 하드웨어

연구의이 학제 적 특성이 여기에 있습니다 엔지니어링의 우수성과 확장 성 엔비디아가 제공합니다 나는 연구 문제를 생각하게되어 매우 기쁩니다 기계 학습의 핵심에서, 예를 들면, 우리는 새로운 신경 네트워크 아키텍처를 실현할 수 있습니까? 하지만 실제로 규모에 맞춰 실현하고 있습니까? 전체 스택 솔루션입니다 우리는 더 나은 하드웨어, 더 나은 [INAUDIBLE] 프리미티브, 디자인하고 구현하기 쉬운 프레임 워크 알고리즘? 그리고 그것이 엔비디아가 나에게 너무 흥미로 웠던 이유입니다

왜냐하면 나는 그것을 실천으로 옮길 수 있기 때문이다 나는 진짜 이익을 볼 수 있지만, 나는 또한 자유와 팀 및 전문 기술을 감안할 때 우리가 어떻게 그 새로운 꿈을 실현할 수 있는지 묻습니다 멜라니 워릭 : 당신은이 전문 지식을 가지고 있습니다 수학적, 이론적 측면에서 이제이 하드웨어로 번역 할 수있게되었습니다 세계의 적용 측면

두 사람과 결혼 할 수 있다는 것은 꽤 환상적입니다 ANIMA ANANDKUMAR : 물론, 엔비디아는 나에게, 그렇게 할 수있는 가장 좋은 장소입니다 멜라니 워릭 : 훌륭합니다 제가 기어를 바꾸어서 이야기하겠습니다 인공 지능과 기계 학습 공간에서 네가 학문 분야에 분명히 있었음을 나는 안다

몇 년 동안, 그리고 공간이 잘 알려져있다 꽤 확립 된 일부 컨퍼런스 학자들이 연구를 공유 할 수있게하기 위해, 지식을 공유 할 수 있습니다 핵심적인 것들로 돋보이는 것들이 있습니다 그 (것)들의 톤이 있지만 사람들이 다양한 전문 분야로 모일 수있게 해줍니다 그 회의들에 관해 우리에게 조금 이야기 해 주시겠습니까? 왜 그들은이 분야에서 그렇게 중요합니까? ANIMA ANANDKUMAR : 참으로 몇 년 전에 돌아왔다

음, 깊은 학습 혁명이 일어 났을 때 돌아 간다 그런 일이 일어나지 않았다면,이 작은 학구적 인 사람들이었습니다 컨퍼런스 예를 들어, 700 또는 800을 갖는 것은 큰 숫자 였고, 대부분은 작은 워크샵이었습니다 그것이 정보를 보급하는 유일한 방법이었습니다

너는 실제로 그 사람과 이야기를 나눌거야 논문의 완전한 이해를 얻으십시오 포스터 세션 도중 이 깊은 대화를 나누십시오 그리고 저는이 분야에서 박사 학위를 시작하지 않았기 때문에, 나는 일을 배우기 위해 박사 학위를 마칠 때까지 움직였다 내가 사용하고 있던 도구가 기계 학습 문제를 해결하는 것과 매우 관련이있다

나는 그 지역 사회를 매우 환영한다고 생각했다 NIPS에 논문을 제출했는데 지금, NeurIPS에서 부름받은 것 – ICML 및 기타 회의에서 즉시 느꼈습니다 깊은 검토가 있었기 때문에 환영 받았다 아주 깊은 기술 토론 페이지가있었습니다 검토 과정에서 커뮤니티가 작았습니다

그것은 잘 짜여졌 고 우리는 많은 진전을 이루었습니다 지적 협약의 관점에서 회의에서 멜라니 워릭 : 그런 것들은 진화했습니다 신경망이 기계 학습처럼 보류하고 있기 때문입니다 나는이 회의들을 보았고 당신이 말했듯이 NIPS는 – 지금은 NeurIPS입니다 나는 그게 몇 백 명 밖에 안된 것 같아

그게 뭐니? 오래 전에 8,000 이었어 나는 그것이 올해 무엇인지 확신하지 못합니다 ANIMA ANANDKUMAR : 그것은 ~ 할 것입니다 내 말은, 제한이 없다면 훨씬 더 많을 수 있습니다 아마

아마 ANIMA ANANDKUMAR : [INAUDIBLE] 멜라니 워릭 : 그래서 이유의 일부입니다 왜 내가이 팟 캐스트를 설정했는지는 내가 우리를 원했기 때문이었다 특히 NIPS에 뛰어 들기 위해 신경 정보 프로세싱 시스템 컨퍼런스

밖에있는 사람들, 특히 학계에있는 사람들은, 그 논쟁에 대해 들었을지도 모른다 올해는 특히 뛰었습니다 이름 바꾸기의 측면에서 나는 우리가 단지 두문자어를 말하는 것으로 들린다 고 생각한다 이 회의에 관해 들어 본 적이없는 사람들은 그것이 합리적 일 수 있습니다

그러나 불행히도, 그것은 많은 저항을 받았다 그 얘기 좀 할 수 있니, 명명 변경이 일어난 이유에 대해 왜 이것이 문제였습니까? ANIMA ANANDKUMAR : 커뮤니티에 참여 중입니다 내가 말했듯이, 깊은 학습 혁명 이전에, 그때 작고 잘 짜여진 공동체였습니다 그리고 그 이름은 잠시 동안 생각합니다 하지만 회의에 참석하면 당신은이 친절한 토론을 가지고 있습니다

당신은 놀라운 경험을했습니다 그러면 그것은 주요 초점이 아닙니다 저는 회의의 전통을 매우 자랑스럽게 생각합니다 산란했다 실제로, 회의는 Caltech에서 시작되었습니다

여기 칼텍에 설립되었습니다 많은 사람들이 그것을 알고 있지 않습니다 멜라니 워릭 : 아닙니다 ANIMA ANANDKUMAR : 그리고 나는 극도로 그 전통을 자랑스럽게 생각합니다 그리고 그것은 교수 Yaser Mostafa와 Ed Posner에 의해 시작되었습니다

이리 그리고 사실, 그것은 앞으로의 사고였습니다 결혼하는 신경 과학의 관점에서 함께 기계 학습 그래서 신경이 있고 처리가되는 것입니다 멜라니 워릭 : 네

ANIMA ANANDKUMAR : 그것이 회의의 목표였습니다 하지만 커뮤니티가 폭발하기 시작하면 깊은 학습 이륙, 위대하다, 그러나 부작용은 이러한 회의가 성장했다는 것입니다 비율의 우리가 어떻게 입장을 가능하게하는지에 대한 많은 논란이 있습니다 이 사건들에 그리고 이것은 선착순입니다

나는 많은 문제가있다 따라서 인구 유입을 관리하는 방법에 관한 한 가지 문제가 있습니다 컨퍼런스 다른 하나는 행동입니다, 그렇죠? 커뮤니티에 새로 온 많은 사람들이있을 때, 많은 사람들이 관심을 찾고 있습니다 그리고 그들을 위해, 그것은 이런 종류의 빠른 관심입니다

그들은 재능을 고용해야하기 때문에 그래서이 헤지 펀드를 가진 사람은 아무도 없어요 티셔츠에 대해 들어 본 적이있다 "내 NIPS는 [부끄럽지 않다]" 그게 내가 처음 본 것 같아

그 이름은 그런 식으로 사용됩니다 와일리 ANIMA ANANDKUMAR : 그리고이 헤지 이벤트 기간 동안이 티셔츠를주는 기금이야, 그렇지? 그리고 그들은 그들의 평판을 얻었습니다 그들은 사람들에게주의를 기울 이도록했습니다 그래서 나는 왜 그들이 그것을 할 인센티브를 가지고 있는지 알 수 있습니다

그리고 그것은 증가하기 시작했습니다 그래서 저에게 그것은 형제 문화의 주입입니다 사람들이 골드 러쉬처럼 느껴지면 시간이 표시되었습니다 그리고 다시 많은 사람들이있다 빠른 돈 벌기 위해 들어가고 싶은 사람 또는 어떻게 든 빨리 이익을 얻는 것입니다

그리고 저에게, 그것은 학문적 인 직물을 정말로 파괴했습니다 그리고 회의의 지적 추구 그리고 어떤면에서 우리 모두는 그 변화에 여전히 씨름하고 있습니다 권리? 어떻게 처리할까요? 어떻게 관리할까요? 어떻게 전문성을 유지합니까? 우리는 진정으로 공동체가 성장하기를 바랍니다 우리는 실제로 AI의 민주화를 원합니다

우리는 훨씬 더 많은 인구에게 다가 가고 싶었습니다 우리는 그들이 AI 문제에 대해 생각하기를 바랍니다 그러나 우리는 어떻게하면 그것을 유지하면서 어떻게 할 수 있습니까? 지적 교류와 아직도 전문성 유지? 그래서 나에게이 이슈들은 이름에 달려있다 그리고 그 이름이 여자를 괴롭히는 데 사용 된 방법, 여성의 신체 부위에 대해 이야기하고, 문화적 변화가 반영된 것입니다 AI 커뮤니티에 들어 왔습니다

멜라니 워릭 : 왜 생각하니? 이 회의들이 너무 커 졌어 사람들이 전에 비해 대단히 중요합니다 ANIMA ANANDKUMAR : 이제 금메달이되었습니다 맞죠? 그것은 정말로 서두름입니다 골드 러시가? ANIMA ANANDKUMAR : 재능을 채용하는 측면에서, 연구원을 고용했다

그래서 회사들은 많은 일을했습니다 AI를 현실 세계로 가져 오는 놀라운 것들이 많이 있습니다 그러나 어떻게해야 하는가에 대한 도전도있다 우리는 여전히 지적 추구를 유지하고 있는가? 지적 교환을위한 길을 가지며, 채용 측면과는 구분된다 모집하고, 그렇지? 그리고 나는 많은 다른 분야가 이 큰 대회들을 아주 잘 지내라

매우 잘 정립 된 프로토콜이있을 수 있습니다 그러나 우리는이 성장을 매우 빠르게 보았습니다 그리고 나는이 기계 학습의 이사회가 회의가 적응할 수 없었습니다 아이디어가 새로 유입 될 필요가 있다고 생각하기 때문에 그곳에 그 말이 이치에 맞습니다

이제 우리는 올해, 특히 올해 컨퍼런스 한 걸음 뒤로 물러서서 그 이름을 평가했다 그들이 평가에 도움이되었던 것을 아십니까? 이름을 바꾸는 것을 고려해보십시오 ANIMA ANANDKUMAR : 작년에 내가 말하는 것처럼 나에게, 그것이 전부 끝내었던 곳이 친절한 곳과 같았다 몇 년 전처럼 깊은 학습 혁명이 시작되었습니다 우리는이 새로운 사람들과 거대한 사람들이 다가오는 것을 보았습니다

회의와 성격에 회의의 변화 그리고 많은 기업 파티와 이벤트가있었습니다 및 기타 외부 사건으로 거의 중앙 매력 주요 회의에 그리고 그 사람들이 번식하기 시작할 때, 행동 규범은 없었습니다 설립 된 기준이 없습니다

그래서주의를 끌기 위해 사람들은 다시 규범을 벗어난 일을하고 있었다 전문적인 행동 대부분의 연구자들이 가지고있는 주요 목표는, 특히 많은 여성 연구자들이 가지고 있습니다 지적 사물에 대해 이야기하는 것입니다 실제 기계 학습 연구에 대해 이야기하기 신체 부위를 놀리는 것에 대해 걱정하지 않아도됩니다

멜라니 워릭 : 동의했다 그리고 나는이 파티 밖에 들었다 출시 및 게시 된 몇 가지 추가 콘텐츠 사람들이 경험 한 다양한 괴롭힘 주위에 이 컨퍼런스 및 기타 컨퍼런스에서, 나는 또한 3 월에 공개 서한이 있다는 것을 읽을 것입니다 존스 홉킨스 대학에서 그 교수진이 이사회에 구체적으로 묻고 있었다 이름을 바꾸려면

그것은 내가 만났던 무엇인가이었다 이 모든 것에 참여한 또 다른 구성 요소입니다 ANIMA ANANDKUMAR : 물론입니다 Elana Fertig 교수님이 저와 연락하셨습니다 그녀는 존스 홉킨스 (Johns Hopkins)의 모든 노력에 대해 이야기하고있었습니다 그리고 그때 나는이 문제에 더 많이 얽매이기 시작했습니다

좋았어 ANIMA ANANDKUMAR : 저는 그것에 귀찮았습니다 그러나 나는 그것이 심지어 젊은 여성을 많이 괴롭혔다는 것을 깨달았다 내가 느낄 수있는 것보다 더 낫지, 그렇지? 그리고 나에게, 이것은 어떤 각도에서오고있다 개인적으로 나에게 많은 영향을주는 것이 아닙니다

나는 그것에 대해 화가났다 하지만 다른 사람들에게는 그 이상이었습니다 맞습니까? 그들은 사건에서 환영받지 못하는듯한 느낌을 받았습니다 심지어는 AI 연구원이되기도합니다 그리고 그것은 나에게는 격변 적입니다

멜라니 워릭 : 동의했다 그래서 이사회는 올해 설문 조사를했는데, 그들은 결과와 함께 나왔다 그리고 그것은 그들이 말한 몇 달 전과 같았습니다 너도 알다시피, 우리는 변화를 만들지 않을거야 그리고 그들은이 통계 분석을했습니다

왜 그들이 변화를 만들지 않을지에 관해서 그래서 당신은 그것에 반응했습니다 그 점에 대해 조금 이야기 할 수 있습니까? 결과를 본 후에 어떤 조치를 취 했습니까? ANIMA ANANDKUMAR : 제 말은, 제가 제일 먼저, 모두에게 묻는 설문 조사가 방해 받았다 이름 변경이 있어야합니다 멜라니 워릭 : 네

ANIMA ANANDKUMAR : 나에게 그것은 이미 트위터에 문제가있는 출발점이 있기 때문에, 내가 공개적으로 이름 변경을 지원했을 때, 다른 여성들이하고 있었고 이미 조업의 행동 남자들이 저에게 편지를 쓰면서 말했습니다, 오, 남녀 모두 젖꼭지가 있습니다 큰일이 뭐야? 그들은 이해조차하지 않습니다 이미 문제가 있습니다 멜라니 워릭 : 네

ANIMA ANANDKUMAR : 설문 조사는 이미 사람들이 건강에 좋지 않은 방식으로 토론 할 수있는 길, 이는 대다수에게 영향을 미치지 않는 문제이기 때문입니다 대다수의 남성, 특히 고위 남성은 그것에 대해 걱정할 필요가 없었습니다 그것은 그들이 가진 특권입니다 그리고 그들은 재미 있다고 느낄지도 모릅니다 그들은 잠깐 웃을지도 모른다

하지만 그게 끝이야 그게 유일한 효과입니다 그러나 특히 주니어 여성의 경우, 점점 더 나는 그들이 어떻게 너무 반갑고 부정적인 느낌 그리고 그것은 다른 모든 것, 당사자들, 형제 문화, 공격성 어떤 사람들은 다른 목소리 대 그들의 연구를 밀어 붙입니다 익사하고있다

그래서 나에게이 모든 것을 반영해라 이름 변경 토론과 함께 논쟁 중이었습니다 대다수가 그들에게 부정적인 영향을 미치지 않는 문제에 대한 결정 그리고 다른 한편으로, 나에게 이름이 바뀐다 그렇게 간단합니다

결국 우리가 보았 듯이 그리 어렵지 않습니다 문자 그대로 웹 사이트에서 이동하고 변경합니다 그리고 소셜 미디어에 멜라니 워릭 : 네 ANIMA ANANDKUMAR : 비용은 들지 않습니다

그리고 사람들은 논쟁하고 있습니다 오, 그것은 상징적입니다 그러나 우리는 적어도 상징적 인 것으로 시작하지 않을까요? 거기서 시작합시다 이것은 끝점이되어서는 안됩니다 그러나 거기서 시작하면 메시지를 보냅니다

모든 청녀에게 메시지를 보냅니다 그들의 목소리가 들리고, 그들의 우려가 들린다 그리고 우리는 그들을 만들기 위해 무엇이든 할 것입니다 더 편안하고 환영합니다 그리고이 모든 형제들에게도 메시지를 보냅니다

그 이름을 놀리며 실제로 파괴하고있는 회의의 전문성 이것은 가볍게 받아 들여지지 않을 것입니다 그리고 시간이 지남에 따라 우리는 강력한 행동 규범을 가질 수 있습니다 실제로이 행동에 대해 책임을 질 것입니다 그리고 이것이 이것이 제가 취할 수있는 길입니다 그러나 이것은 이름이 바뀌는 곳, 결정의 방식입니다

조사가 설계된 방식, 또한 편향된 샘플이었습니다 설문 조사에 응하도록 요청 받았다 멜라니 워릭 : 네 ANIMA ANANDKUMAR : 그래서 모든 참석자들이었습니다 나는 지난 5 년 동안 믿습니다

그러나 참석할 수없는 많은 여성들은 어떨까요? 다시 액세스 문제로 돌아갑니다 이 컨퍼런스에 선착순 인 경우, 이것을 Burning Man과 비교한다면, 이 티켓을 판매중인 티켓과 비교한다면 젊은 여성에 대해 생각해보십시오 우선, 회의에 가고 싶다면 너무 자신감이 없어야합니다 또는 여행 지원을받는 데 어려움이있는 경우

주니어 포지션의 남성과 여성 모두 누가 그것에 대해 생각하고 있지만 관리하지 않았다 그들은 가장 많은 것을 잃을 사람들이 될 것입니다 멜라니 워릭 : 네 ANIMA ANANDKUMAR : 그리고 학계, 그들은 동일한 자원을 가질 수 없기 때문에 그들이 업계에서 가지고있는 것 그래서 이것은 매우 편향된 샘플이었습니다

설문 조사에 응한 남녀의 비율 그리고 내 견해는 그들에게 영향을 미치지 않고 있다는 것입니다 더 많은 사람들에게 영향을주고있었습니다 커뮤니티에 들어가려고합니다 더 많은 중학교 학생들은 훨씬 더 많습니다

고령자보다 좋지 않은 영향을 받는다 지역 사회에 설립되었습니다 멜라니 워릭 : 나는 아직 내가 회의에 대해 들어 본 적이없는 사람을 만날 수있다 그 전에, 당신이 그들에게 그 이름을 말할 때, 그들은 즉시 그것이라고 생각하지 않는다 부적절한 두문자어

그러나 결과가 주어질 때, 당신은 청원을 시작하여 응답했습니다 너는 protestNIPS 해시 태그로 시작했다 changeorg에 탄원서를 만들었습니다 ANIMA ANANDKUMAR : 나는 파티에 정말 늦었다 고 인정해야한다

행해진 많은 노력이있었습니다 풀뿌리 수준에서 말하고있는 많은 여성들 트위터에서 그리고 제가 말했듯이, 존스 홉킨스 대학 (Johns Hopkins University)의 Dr Elana Fertig와 다른 많은 사람들은 Title IX와 협력했습니다 사무실에,이 서신을 초안, 이 모든 연구원들이 이것을 서명하도록했습니다

그래서 그들은 처음부터 많은 기초를 다졌습니다 그리고 내가 들어올 때 나는 생각하고 있었다 이걸 더 넓게 가져 가자, 그렇지? 그냥 기계가 아닌 열어 보자 트위터의 모든 사람들을 배우십시오 일반 인구가 이 두문자어가 진짜라는 것을 알기 위해 너무 충격을 받습니까? 그리고 그 곳에서 샘플을 디 바이어스하려고했습니다

왜냐하면 이미 사람들이 지역 사회에 있었고이 이름을 사용한다 당연한 일이지만, 실제 문제가있는 신선한 목소리 그리고 나는 이사회가주의를받는 것을보고 정말로 싶었습니다 그래서 본질적으로 존스 홉킨스 (Johns Hopkins) 도달하기 위해 changeorg에 올려 놓으십시오

더 넓은 커뮤니티에 멜라니 워릭 : 훌륭합니다 그렇다면이 탄원서 이후에 무슨 일이 일어 났습니까? 당신은 이미 사람들이 어떻게 반란을 일으켰는지 이야기했습니다 이름의 변화에 ​​반대하지만 어떤 반응 공개적으로 말하기 시작했을 때 얻었습니까? 이것에 대해서? ANIMA ANANDKUMAR : 나는 너무 행복하다는 많은지지를 얻었습니다 나는 그 방법을 매우 성취하는 것을 발견합니다

지역 사회가 나 뒤에 와서 많은 남성과 여성 retweeting Jeff Dean은 즉시 retweeted, 그는 회사가 책임을지기를 원한다 이 이름 변경을 뒷받침하는 거지? 그래서 저에게 그것은 정말로 목소리를 증폭 시켰습니다 그래서 놀라운 연구원이 많이있었습니다 누가 이것을 증폭시키는 데 정말로 도움이 되었습니까

멜라니 워릭 : 좋습니다 ANIMA ANANDKUMAR : 그게 대다수 였지, 그렇지? 그래서 대다수가 훌륭하고 착한 사람들입니다 그리고 작은 부분이있었습니다 누가 진실로 질문했다 그리고 그들은 정말로 혼란 스러웠습니다

대다수는 원어민이 아니 었습니다 그들은 종류가 짧은 형태를 알지 못했다 또는 그들은 진짜로 이것을 즉시 얻지 못했습니다 그래서 내가 Google 이미지를 넣었습니다 심지어 그것으로 시작하는 검색

멜라니 워릭 : 큰 영향입니다 비주얼은 이러한 것들을 위해 훌륭합니다 ANIMA ANANDKUMAR : 더 작은 섹션 공개적으로 말하고있는 사람들의 그들은 그들의 진정한 정체성과 이야기했다 그러나 진짜 질문이 있었다 그들 중 대부분이 돌아왔다

나는 그들 대부분이 적어도 깨달았다 고 말할 것이다 예, 영향을받지 않았을 수도 있습니다 괜찮습니다 그러나 그것은 많은 다른 사람들에게 영향을 미쳤습니다 그래서 그들은이 모든 목소리를 보았습니다

그 (것)들이 역으로 영향 받았다고 말하고 있었다 그리고 나서 그들은 그들이 이것을지지 할 필요가 있음을 깨달았습니다 그리고 저에게 그것은 최고의 부분이었습니다 이 중립적이거나 온건 한 사람이 몇 명이나되는지 직위, 누가 영향을 미치는 문제를 잘 모르고있다 소수 민족? 하지만 우리가 이것을 공개 우리가 정말로 할 수있는 대화가 있습니다

이 정보 교환을 얻고 공감을 높일 수 있습니다 그리고 그것은 그것의 가장 성취 한 부분이었습니다 그러나 부정적인 면도있었습니다 많은 가려 눕기가있었습니다 놀랄 일이 아닙니다

그것 모두는 익명이었다 그리고 Reddit 스레드가있었습니다 그게 개인적으로 내게 욕을 먹었어 이렇게 많은 어이없는 불쾌한 방식으로 지금 차단해야하는 많은 계정이 있습니다 나는 그들을 제거하기 위해 Reddit을 계속 밀고 나가야 만했다

그리고 그것은 광대 한 것들을 가져 왔고 여전히 거기에있었습니다 아직 거기에있는 일부입니다 그래서 이것은 목소리를 가진 사람이 포괄 성 또는 다양성 추구 소셜 미디어를 많이 사용합니다 그리고 우리는 어떻게 이 싫은 말을 피하십시오 그리고 저에게 저것은 진짜로 교란하고 있습니다 너무 많은 여성들이 말을 못하게하기 때문입니다

멜라니 워릭 : 사실이에요 나는 묻는 것을 주저하지만, 부분적으로 묻고 싶다 너를위한 조업은 얼마나 나빴 니? 얼마나 나쁜지 얘기 좀하고 싶니? ANIMA ANANDKUMAR : 물론입니다 그리고 내 트위터 스레드에서, 나는 그 스크린 샷 중 일부를 게시 했어 왜냐하면 사람들이 그것이 얼마나 나쁜지를 알기를 원했기 때문입니다

그들이 아무 것도 보지 못했기 때문에 많은 사람들이 충격을 받았습니다 그런 일이 그들에게 일어난다 그들은 결코 개인적으로 피해를 입지 않았습니다 그러한 종류의 괴롭힘과 조업에 내 외모에 대해 언급하고 있었다

내 전문성에 대해 논평했다 방금 내가이 자리에 올랐다는 말을했다 나는 여자이기 때문에 어떻게 할 수 있습니까? 나를 도왔던 모든 사람들에게 감사하지 마십시오 이 모든 것이 었습니다 그들은 나를 급진주의 여성 주의자라고 불렀습니다

그리고 나는 Reddit에 갔던 또 다른 여자를 안다 이 트롤에 대답하려고했습니다 그녀는 왕따를 당했다 그녀는 육체적으로 총으로 위협 받았다 그리고 이것은 공인 인 교수입니다

그리고 나서 당신은 정말로 얼마나 위험한 지 궁금해하기 시작합니다 모두 얻을 수 있습니다 그리고 나서 최악의 일은 단지 내가받은 개인 거물 그러나 다른 젊은 여성들이이 모든 과정을 통해 어떻게 괴롭 혔는지를 보여줍니다 그리고 저는 많은 젊은 여성들로부터 이메일을 받았습니다 또한 청년들 – 그들이 다른 사람들과 토론 할 때, 내가 방금 트롤링 중이라는 것을 알았습니다

나는 일종의 내려다 보였다 그리고 때로는 고문들이 학생들에게 말할 것입니다 탄원서에 공개적으로 서명하지 않기 심지어이 목소리를 빌려주지 않을 그들이 원했을지라도 그래서 당신은 말할 수 있습니다, 오, 이것은 무해한 이름 변경입니다 그러나이 괴롭힘과 괴롭힘의 언더 블 리를 열었습니다

멜라니 워릭 : 사악 해 ANIMA ANANDKUMAR : 네 그게 너무 많아요 그 말은 악의입니다 너무 간단하고 쉽게 할 수 있다면, 그렇다면 사람들은 왜 그렇게 악의적으로 행동하고 있습니까? 끔찍한 짓이야

그리고 정말로 적절한 단어가 없습니다 하지만 지금 당장 내 머릿속에있는 뭔가가 내가 말할 필요가있다 고마워요 변화를 위해 싸워 주셔서 감사합니다 그 일을 한 다른 사람들 외에, 에너지를 퍼 부어 주셔서 감사합니다

이것은 당신의 직업이 아니기 때문입니다 이것은 당신의 직업이 아닙니다 그것은 누구의 직업도되어서는 안됩니다 그리고 현장에서 계속 리더가되어 주셔서 감사합니다 사물 때문에 떠날 수 없다

네가 본 경험이있다 고마워 ANIMA ANANDKUMAR : 고마워요, 멜라니 목소리를 증폭 해 주셔서 감사합니다 모든 지원에 감사드립니다

이 모든 것이 전개 될 때, 당신은 나에게 메시지를 보내고있었습니다 당신은 그처럼 훌륭한 원천이었습니다 그리고 그것이 내가이 모든 놀라운 동맹국들을 찾은 곳입니다 우리는 그런 식으로 강해졌고 다음에 알게되었습니다 사람들이 누구인지, 더 의미있는 변화를 일으킬 수 있습니다

이제는 내 지역 사회를 알고 있습니다 이제 저는 동맹국을 압니다 그리고 그것은 매우 중요합니다 그리고 네, 여기 머물러 있고, 잡동사니 또는 다른 방법으로 여기 있습니다 멜라니 워릭 : 좋습니다

ANIMA ANANDKUMAR : 그건 안할거야 그게 나를 더 강하게 만들거야 그리고 그건 단지 당신이 알다시피, 조업 일수는 번호가 매겨집니다 나는 정말로 큰 변화를보고 싶다 나는 모든 것을하고 싶다 나는 조업을 제한 할뿐만 아니라, 커뮤니티에서 이러한 모든 종류의 나쁜 행동을 제한하는 것입니다 그리고 더 넓은 공간에서

멜라니 워릭 : 동의했다 다시 전이하면 청원서를 받았고, 청원과 당신이 가진 모든 일들 사이에서 당신이받은지지와 도움이되었습니다 이사회가 재고 한 것처럼 보입니다 최근 회의가 있기 전에, 그들은 변화를 발표했다 그리고 그 변화는 다소 타협입니다

전체 이름을 변경하는 대신, 그들은 지금 변화하고 있습니다 당신도 알다시피, 그들은 신경 정보 처리 시스템, 두문자어는 NeurIPS가 될 것입니다 그래서 등자물 같지만 정확하게는 아닙니다 ANIMA ANANDKUMAR : 그건 그림이 아니야 나는 내 마음 속에서 싶다

그러나 – 멜라니 워릭 : 저게 뭐야? ANIMA ANANDKUMAR : 나는 그림을 원하지 않는다고 말했다 내 마음 속의 등딱지들 멜라니 워릭 : 알아 내 머리 속으로 계속 들어가는 그 말이야 사람들이 새로운 두문자어를 말할 때마다

ANIMA ANANDKUMAR : 아마도 [? 순무?] 멜라니 워릭 : 네 그래서 새로운 이름에 대해 어떻게 생각하세요? ANIMA ANANDKUMAR : 나는 새로운 이름이 좋은 타협이라고 생각한다 나는 깨끗한 슬레이트로 시작하는 것을 좋아했을 것이다 그게 더 힘들지 않았기 때문입니다 하지만 우리가이 시점에 도달하게되어 기쁩니다

그리고 제가 말했듯이 그것은 그 이름에 관한 것보다 훨씬 큽니다 열리는 모든 힘입니다 우리가이 이름의 변화를 토론 할 때 그것이 우리가 훨씬 더 많이 작업 할 필요가있는 것입니다 그래서 저는 다음 단계로 넘어 가고 싶습니다

나는 훨씬 더 영향력있는 코드를보고 싶다 행동의 현재는 놀랍습니다 그것은 짧은 시간에 이루어졌습니다 Hal Daumé와 Katherine Heller는 놀라운 일을했습니다 함께

하지만 이제 나는 물어보고 싶은데, 그 반향은 무엇인가? 누군가 만난다면? 진정한 반향이 있어야합니다 그때 만 이빨을 가져야합니다 그래서 이것들은 우리가 스스로에게 물어볼 필요가있는 것들입니다 다음 단계로 멜라니 워릭 : 뭔가 있니? 그 사람들에게 권하고 싶습니다 현장에서 포괄 성을 향상시키는 데 도움이 될 수 있습니까? ANIMA ANANDKUMAR : 전문적인 상호 작용 당신이 사람들과 이야기하는 경우에 매우주의해야합니다

누가 너보다 후배 지 심지어 생각조차하지 않는 행동조차도 그들에게 큰 영향을 줄 수 있습니다 그리고 더 잘 의사 소통하십시오 사람들이 편안하다고 느끼는 지 확인하십시오 네가 그들과 이야기 할 때

그래서 나는 그 기초부터 시작할 것입니다 나는 Jeff Dean이 놀라운 Twitter 스레드를 가지고 있다고 생각한다 그는 여성 연구원의 경험을 크라우드 소싱했다 그들이 가진 회의와 부정적인 경험 그리고 나서 그는 말했다, 오, 당신이해서는 안되는 것들이 있습니다

예를 들어, 제가 처음 만난 컨퍼런스에서, 내 고문은 훌륭합니다 그는 나를 다른 고위 남성 연구원에게 소개했다 교수 그리고 그는 나를두고 나에게 소개해주었습니다 그는 다른 누군가와 이야기해야했다

그는 떠났고, 그는 더 나아 갔다 이 대화를 장악하십시오 그 교수가 나에게 말했다 오, 너를 소개시켜 줄게 내 여자 대학원생에게

둘 다 여자이기 때문에, 당신은 그녀와 더 잘 지낼 것입니다 제 말은, 저처럼, 저기요 당신도 알다시피, 나는 시작 연구원이다

나는이 노인과 정말로 이야기하고 싶다 내가 바라 보았다 그리고 이것은 단지 – 그에게는 너무 자연스러워 보였지만 내게는 그렇게 나쁜 영향을 미쳤다 그리고 여성들이이 모든 것을 표현하는 것이 중요합니다 그 (것)들을 불편하게하고, 환영받지 못하고, 남자들이주의를 기울일 생각을하고, 그리고 나서 이것을 더 넓게 열어 라

다른 다양성 그룹에게 나는 AI에서 흑인이 다양성에 대한 놀라운 노력을 보았다는 것을 안다 내 말은, 우리는 연구원이오고 아무도 참석하지 않은 국가의 전에이 회의들 저에게는 그곳에서해야 할 일이 너무 많다는 것을 보여줍니다 그러나 그들은 또한 무거운 짐마차를 받았다

많은 쟁점을 겪고있다 그래서 나, 예, 우리는 지금 여자들부터 시작합니다 내가 그 경험을 비춰 줄 수 있기 때문이다 나는 그들을 이해한다 그러나 그것이 다른 그룹들에게 어떻게 영향을 미치는지 이해하고 싶습니다

다른 사람들이하는 이슈는 무엇입니까? 나는 결코 가질 수 없을지도 모르는가? 나에게는 나만의 특권이 있지만 다른 사람들에게는 특권이있다 서로 다른 배경에서 왔고 더 많은 문제에 직면 해 있습니다 모든 사람들의 문제를 어떻게 해결할 수 있습니까? 멜라니 워릭 : 나는 그것이 중요한 점이라고 생각한다 그리고 우리는 일주일에이 팟 캐스트를 공개합니다 회의가 있기 전에 NeurIPS 회의

그리고 당신이 언급 한 것처럼, 인공 지능과 LatinX 및 WIML에서 Black을 좋아합니다 이제 그 이름이 바뀌었고, 타협이 있었는데, 무엇이 당신은 회의의 관점에서 기대하고 있습니까? 당신이 흥분하는 분야는 무엇입니까? 당신이 생각하기에 좋다고 생각하는 것, 계속되고있는 그 다양성 노력의 바깥쪽에 이 분야에 더 많은 연구원을 끌어들이는 데 도움이 될까요? ANIMA ANANDKUMAR : 물론입니다 나에게이 컨퍼런스에 참석하기 항상 새로운 혁신에 관한 것입니다 새로운 기술 혁신과 마찬가지로 젊은 연구원처럼 젊은 사람들이하는 일은 너무나 많습니다

우리가 어떻게 그들을 양육하고 격려 할 수 있겠는가? 그들이 처음으로 컨퍼런스에 참석하는 경우 또는 논문을 발표 할 때 어떻게해야합니까? 그것을 다음 단계로 가져 가라, 내가 그들과 어떻게 대화 할 수 있는지 더 넓은 모든 그림에? 이것이 내가이 회의를 최대한 활용할 수있는 곳입니다 그리고 워크샵에서 더 많은 교환 그것이 훨씬 더 유기적이기 때문에 일어날 수 있습니다 방금 시작했거나 더 많은 일을했습니다 예비 단계에서, 그렇지? 브레인 스토밍을 할 수있는 여지는 훨씬 많습니다 피드백을 받기 위해, 피드백을 받기 위해

과거에는 많은 결과를 얻었습니다 회의 도중 나는 앉아서 사람들과 브레인 스토밍을하고, 새로운 아이디어를 생각해 내십시오 그리고 이제는 커뮤니티가 규모가 커짐에 따라 더 어려워졌습니다 그러나 나는 아직도 이것을 추구하고 싶다

그리고 이것은 우리가 군중을 통제 할 필요가있는 곳입니다 우리는 이것을보다 관리하기 쉬운 방법을 찾아야합니다 사실, 나는 이것을 WIML이나 Black에서 더 많이하는 경향이있다 왜냐하면 그것들은 더 작은 사건이기 때문입니다 나는 개인적인 수준에서 대화하고 아이디어를 교환 할 수 있습니다

멜라니 워릭 : 훌륭합니다 마지막으로 두 가지 질문 중 하나가 있습니다 인터뷰 많이 했어 아무도 당신에게 누군가를 원한다고 묻지 않는 질문들 물어볼 것인가? ANIMA ANANDKUMAR : 사람들이 물었습니다

업계 대 학계에 관한 나에게 많은 왜냐하면 나는 양쪽에있어 그리고 저는 그들 각각의 선과 악을 봅니다 그래서 대부분의 질문은 일반적으로 업계가 어떻게 도망 치고 있는지 학문적 재능 어떻게 피할 수 있습니까? 그리고 내가 항상 말하기를, 저기 봐 많은 긍정적 인 영향을 미친다 왜냐하면 많은 교수들이 나처럼 두 산업 간의 시간을 나누고있다

학계와 학계가이 양도에 정말로 도움이됩니다 학계에서 산업계에 이르기까지 다양한 정보를 얻을 수 있습니다 아무도 내게 전에 물어 본 적이없는 질문입니다 산업이 어떻게 학계에 긍정적 인 영향을 미치는지, 아직 실현되지 않은 것은 무엇입니까 [INAUDIBLE] ?? 또한 많은 좌절감이 있기 때문에 나와 현재 학문적 인 연구원들에게 체계 그리고 저에게 그것은 연구 방법입니다

출판에 많은 관심을 가지고 있습니다 또한 소프트웨어 프레임 워크를 만드는 데 거의 집중하지 않았으며, 사람들이 실제로 할 수있는 커뮤니티 노력을 창출합니다 생태계를 구축하고 모듈 형 소프트웨어에 대해 생각해보십시오 다른 사람들에게 도움이 될 것입니다 일부 연구, 자신의 코드를 완료 그들은이 논문을 쓰고 이것을 출판하고 있습니다

그리고 저에게 업계는이 게임을 변화 시켰습니다 이러한 영향은 오픈 소스를 통해 발생하기 때문에 프레임 워크, 커뮤니티에서 사용하고 있습니다 그리고 이것에 공헌해라 그래서 제가 진정으로 바라는 것, 제가 추구하는 것은, 우리는 과학의 다른 분야에서 어떻게 이것을 할 수 있습니까? 문제는 다른 기본 과학에서, 지금이 일을하는 산업은 없습니다 어떤 산업도 이것에 대한 연구를하지 않습니다

그렇다면이 분야의 다른 점은 무엇입니까? 산업에 의해 방해받지 않는가? 나는 혼란과 혼란을보고 싶다 인센티브가 어떤 의미인지 더 나은 방법으로 정렬 이러한 장벽을 어떻게 제거 할 수 있을까요? 그것은 대부분 사회 학적입니다 이 아주 오래된 레거시 코드가 일부 고 에너지 물리학에서 사용되었습니다 무슨 일이 일어나고 있는지 이해합니다

오늘도 여전히 사용되고 있습니다 우리가 수십억 달러를 가지고있을 때에도 수행되는 실험의 실험적 부분 너무 많은 자원이 필요합니다 그리고 그 곳에서 보조금이 지원됩니다 그러나 계산 측면에서 궁극적으로 이러한 응용 프로그램에 AI를 사용하려면, 기본적인 장벽이 있습니다 그들은 사회 학적으로 보일 수도 있고 더 평범 할 수도 있습니다

그들은 수학적 장벽이 아닙니다 그러나 중요한 장벽입니다 그리고 나는 그것을 방해하는 방법에 대한 좋은 대답이 없습니다 MELANIE WARRICK : 좋은 질문입니다 너를 놓기 전에 내가 만지고 싶었던 다른 것? ANIMA ANANDKUMAR : 다시 한 번 감사드립니다, 멜라니

많은 질문을 던지 셨습니다 내가 감정을 표현할 수있는 곳 이 시위를 겪었을 때 NIPS 지역 사회와 소통하십시오 이 목소리를 증폭시켜 주셔서 정말 고맙습니다 대출 지원 정말 고마워

고마워 이 팟 캐스트를하는 것 멜라니 워릭 :와 주셔서 감사합니다 우리 이야기 정말 고마워, 아니마

OK, 그주의 질문 어떤 유형의 왕따 또는 조업을 다루는 경우 또는 당신은 이것에 대해 걱정하고 있습니다 네가 할 수있는 일이 있니? 글쎄, 나는 여기에 몇 가지 링크를 포함시켰다 너 체크 아웃 할 수있어 전자 프론티어의 훌륭한 정보가 있습니다

감시, 자기 방위, 팁 및 도구 재단 나는 그것을 한 번에 모두 읽는 것을 권하지 않는다 나는 거기에 들어가서 둘러보고 선택하라 그리고 말이되는 것을 선택하십시오 또한 Feminist Frequency가 제공 한 당신을 돕기위한 멋진 정보 온라인을보다 잘 보호 할 수있는 방법을 제공합니다

이것은 절대 안전한 과정이 아닙니다 이것은 완벽한 과정이 아닙니다 그러나 적어도 그것은 당신이 할 수있는 어떤 것입니다 특정 단계를 수행하는 데 관심이 있다면 수행하십시오 그리고 그들은 저 밖에있는 유일한 사람이 아닙니다

누가 콘텐츠를 제공했는지, 그래서 당신은 분명히 더 탐험하기 위해 검색을 해보십시오 좋아, 그럼 우리 모두 어디로 갈거야? 글쎄, 우리가 그것에 대해 말했듯이, 마크는 12 월에 KubeCon에서 열릴 예정입니다 그래서 당신이 거기에있을 예정이라면, KubeCon, Koob-Con, 그러나 당신이 그것을 선언하면, 당신은 가서 그에게 인사해야합니다 그리고 나서 이번 주에 실제로 SOCML에있게 될 것입니다 그리고 다음 주에 제가 말씀 드렸듯이, NeurIPS가 될 것입니다

몬트리올 (Montreal)에 가려면, 당신은 확실히 워크샵의 일부를 확인해야합니다 WIML은 12 월 3 일에, 블랙은 AI에있을 예정입니다 12 월 7 일에있을 예정이며 LatinX 12 월 8 일에있을 예정입니다 그래서 네가 거기 있다면,가 이 여러 커뮤니티를 확인하십시오

그들은 좋은 사람들, 특히 배우고 있습니다 AI 공간에서 이번 주 팟 캐스트에서 우리를위한 것입니다 우리와 함께 해줘서 고마워 다음 주에 너와 얘기 할거야

[음악 재생]

PUBG revelation with Artificial Intelligence #1

연주 할 준비가되었습니다이 곡을 다시 들으실 수 있습니다

vikram singh & 내가 너를 놀고있어 PUBG, 우리가 할꺼야 함께하지만 AI 방식이 될 것입니다 여러분이 볼 수있는 것처럼 저는 이미 구글을 엽니 다 당신이이 구글이 무엇을 알지 못한다면, colab은 내 이전 동영상에서 Google 콜라 브에 대한 이야기를 확인하십시오

또는 관련 블로그를 작성한 설명의 링크를 확인하십시오 이 Google 캘랩에 한 가지 더 많은 사람들이 동영상을 올릴 수 있습니다 우리가 처음부터 끝까지 유약을 사용하지 않기 때문에 이전의 것에 비해 다른 우리는 코드를 작성하지 않습니다 모든 코드를 기록하려고하는 이전 비디오 btw 녹음 중입니다 두 번째 시간이고 그 비디오는 아마도 두 시간 이상 걸릴 것입니다

당신을 좌절시킬 것입니다 그것은 꽤 긴 하나입니다 그래서 그 비디오의 짧은 버전을 만들 것입니다 그래서 너희들은 내가 이미 구글을 열어 볼 수있다 colab 그래서 아래로 가서이 Google cooler에서 작업하기 전에 우리가 가자 언쟁을하고이 새끼 고양이 모델이 괜찮은지 확인해보세요

여기에 있습니다 kaggle 지금 데이터 과학자를위한 학습 허브를 개척하고 내가 볼 수 있듯이 이미 내 Gmail 계정을 사용하여 kaggle에 가입하고 내 슈퍼 오래된 아직 계정을 사용하고 있지 않으므로 직접 완료하시기 바랍니다 섹션 및 PUBG 경쟁을 찾아 여기에 우리는 pubg 마무리 배치 이동 예측을 통해이 경쟁 전망 데이터 세트로 이동해 보겠습니다 이 PUBG 완료와 관련된 다른 정보는 내려 가고 여기에 이 대회를 볼 수 있습니다 PUBG는 3 개월 전에 출시됩니다

이번 대회에 참가하고 싶다면 아직 한 달 남았습니다 가자, 여기 내가 너를 돕는 특별한 일에 내가 설명해 줄거야 이것에 관한 것들이 당신을 완성 시켜줄 것입니다 맨 위로 거짓말을하다가 직접 돌아 가자 우리가 진짜 배우는 여기에 경쟁을 pubg 그래서 시작하려고합니다

그래서 우리가이 경쟁에서 일하기 시작할 때 우리는 이것을 통해 이 전체 비디오의 개요 우리가 무엇을 할 것인가? 우리는 거대한 크기의 데이터 세트를 처리하고 그 거대한 것을 처리하는 방법에 대해 연구 할 것입니다 데이터 세트의 크기 우리는 먼저 Google Colab을 사용하여 수행되는 작업과 두 번째 것은 kaggle에서 작업 데이터로 직접 pubg 데이터를 가져 오는 것입니다 그래서 우리는 처음에 데이터를 로컬 머신에 다운로드한다 우리는 우리의 작업 공간에 당신이 jupyter에서 일하기를 원하는지 여부를 업로드합니다 노트북 또는 Google 애널리스트가 여기에서 데이터를 실제로 가져올 것입니다

Google Colob 노트북에 불평하고 이것이 정말 멋진 물건입니다 교육 및 테스트 데이터 세트 사전 처리 및 사용 가능한 체크 아웃 기능 설정 및 네 번째 설정은 다음과 같은 Google 데이터 세트에 대한 더 자세한 정보를 제공합니다 EDA (Exploratory Data Analysis) 및 기능 분석을 수행합니다 다섯 번째 그리고 마지막 하나는 랜덤 포레스트 알고리즘을 사용하여 예측을 만들거나 모델을 만들고 그 모델을 통해 테스트 데이터 세트를 사용하여 예측 그래서 우리는이 술집 G와 경쟁 할 것입니다 먼저 kaggle 의존성을 설치하고 있습니다

데이터를 가져오고 싶습니다 kaggle에서 Google colab 노트북으로 직접 이동하여 작업 할 수 있습니다 먼저 Kaggle 의존성을 설치해야하는 Kagggle API이므로 먼저 그동안 달리기에 다른 사람에 대해 이야기해라 당신과 같은 의존성은 numpy 유용한 매트릭스와 같은 몇 가지 기본 라이브러리 데이터 전처리를위한 조작 판다 Matplotlib & seaborn for 데이터 시각화 그래서 그것을 실행하고 다음 명령 업로드로 이동하자 kaggle 자격 증명은 업로드 된 kaggle 자격 증명을 볼 수 있습니다 kaggle

json 파일 그래서 kaggle 자격 증명은 무엇입니까? 여기 계좌 섹션으로 가자 여기 API 섹션에서 새 API 토큰을 만들 수 있습니다 이것은 당신의 개조 자격 증명을 생성합니다 그래서이 자격 증명의 용도는 무엇입니까? 저는 이것에 대해 잠깐 이야기 할 것입니다 지금은하지만 한 가지는 내가 왜 그런지 내 자격 증명을 생성하지 않는다는 것입니다 이미 하나 생성했기 때문에 Google 쿠폰 앱에서 사용하고 있습니다

일단 새로운 AWS를 생성하면 AWS에 추가됩니다 효과가 없으므로 업로드를해야하기 때문에이 작업을 수행하고 싶지 않습니다 그들 대부분을 바꾸어 가자 다시 돌아 가자 너희들은 이걸 생성해라

자격 증명을 작성하고 Google Colab 노트에 업로드하면됩니다 여기저기서 구식 인 Kaggle 자격 증명을 사용해서 업로드 할게요 그들을 실행하고 여기에서 내 시스템에 이미있는 파일을 선택하겠습니다 너는 kaggle이라고 불렀고, 여기 너는이 kaggle을 볼 수있다 & 업로드하자

일단 업로드되면 아래 섹션에서 kagglejson을 볼 수 있습니다 이 동안 사용자 이름과 키를 저장하는 동안 너희들이 내 자격 증명을 사용하려고하면 안돼 이 강의를 마친 바로 그 순간에 나는 새로운 것을 만들거야 그래서 당신이 그들에 대해 연구하고 싶다면 효과적이지 않습니다

당신의 파일 하나를 살펴 보겠습니다 예배 규칙서 kagglejosn 및 sampledata가 있으므로이 두 파일은 이미 있고 거기에 있습니다 kaggle API는 kaggle을 저장하는 외부 디렉토리를 생성하기를 원합니다

자격 증명 및 모든 폴더를 모든 데이터 세트 다음 kaggle에서 가져온 모든 폴더 데이터가 바로 kaggle 디렉토리로 이동하므로 다음 코드 줄에서 kaggle 디렉토리를 만든 다음 해당 kaggle 디렉토리에 kagglejson 파일을 저장합니다 명령은 chmod 600이라고 불렀고 우리는이 unix 명령을 사용하여 귀하의 개성을 보호합니다 그것이 내가 UNIX 명령이고 거의 사용하지 않기 때문에 내가 알고있는 것입니다 유닉스에서 다음 작업으로 옮겨가는 작업은 개그 API 아니요, 데이터 섹션에 있습니다 데이터 섹션으로 이동하여 여기에서이 API를 바로 볼 수 있습니다

이 코드 줄을 여기 위에 붙여 넣으면 복사 및 붙여 넣기가 수행됩니다 일단 그것을 실행하면 모든 데이터 또는 모든 데이터 가져 오기를 다운로드하게됩니다 당신이 볼 수있는 Google colab에 kaggle하십시오 kaggle 디렉토리에있는이 파일들을 모두 확인하십시오 train, test, kaggle

json과 같은 모든 파일을 볼 수 있습니다 그 kaggle 디렉토리에서 우리는 여러분이 훈련 및 테스트를 볼 수있는 것을합니다 파일이 압축되어 있으므로 먼저 압축을 풀고 다음을 읽습니다 파일을 압축하면 다음 코드 줄에서 수행 할 작업입니다 테스트 압축을 풀고 모든 파일을 다음 줄의 코드로 살펴 봅니다

우리는 훈련과 테스트 파일을 모두 읽으려고합니다 우리가하는 정상적인 과정 이니까 여기에이 파일들을 읽으 려하고 우리는 그 파일들의 모양을 보려고합니다 열차 테스트 후 마지막 줄에 우리는 칼럼이 거래 데이터 측면에 있다는 것을 보여줍니다 실행중인 시간이 기능 세트에 대해 이야기 해 봅시다 kaggle 모든 열을 a라고합니다 특정 기능은 우리의 교육 데이터 세트가 29 열로 구성되어 있기 때문에 열은 이러한 기능 세트에서 설명되며,이 모든 열은 라인 돕다 부스트, 치유, ID, 킬 플레이스 그래서 일반적으로 플레이어가 퍼블릭을하면서 플레이하는 모든 설정 작업 시험 모양이 약 2 인 동안 훈련 모양은 29 개 열에서 450 만과 비슷합니다

28 칼럼의 백만이고, 우리가 예측할 필요가없는 한 칼럼 우승 한 장소 또는 예측을 예측하십시오 당신이 할 수있는 방법을 알 수 있습니다 예측을 만들 필요가있는 선수의 순위를 예측하고 예측은 직접 테스트 데이터 세트로 이동 했으므로이를 작성해야합니다 이 퍼블릭 경쟁에서 우리가하는 첫 번째 일을 pubG로 돌려 보겠습니다 열차와 테스트에있는 다른 유형의 데이터 세트를 확인하는 것입니다

이 두 명령을 모두 실행 해 봅시다 정수 부동 소수점을 찾습니다 다른 종류의 데이터 세트가 교육 및 테스트를 위해 존재합니다 아래로 내려 가자 실제 학습이 빠진 값을 찾기 시작한다

교육 및 테스트 데이터 세트 모두에서 모든 열 또는 일부 열을 볼 수 있음 누락 된 가치와 만약 우리가 원하는 것을 찾고 싶다면 가치를 찾은 다음, 우리는 잃어버린 valie와 우리가 발견 한 첫 번째 줄을 버릴 것입니다 교육에서 누락 된 가치와 두 번째 바람에서 우리는 누락 된 가치를 발견 할 것이다 테스트 데이터는 교육 데이터 세트에서 볼 수 있습니다 그 사람이 누락 된 값이 하나 뿐인 것을 볼 수 있습니다 여기서 winplace perc을 찾아서 특정 행을 찾아 내면 그들을 놓아서 우리가 다음에 할 코드의 다음 줄을 열 또는 행을 찾으면 그 행 2744604가 삭제되므로 다음 행의 특정 행을 삭제 한 다음 열차 데이터 세트의 누락 된 값을 다시 찾아서 작동합니다

지금 우리가 훈련에 참석할 것임을 알지 못한다 다음에 다음 데이터 세트가 두 세트에서 재생 된 경기 수를 찾는 데이터 세트 교육 및 테스트 데이터 세트 어떻게하면이를 찾을 수 있을까요? 매치마다 고유 ID의 총 개수를 찾습니다 고유 한 ID를가집니다 ID가있는 고유 한 ID가있는 경우 ID를 찾을 수 있습니다 매치는 훈련 및 테스트 데이터 세트 모두에 적용되므로 우리가 먼저해야 할 일입니다

고유 ID의 총 개수를 확인하고 len ()에 캡슐화합니다 함수를 사용하여 재생 된 경기의 수를 얻고이를 실행하여 훈련 데이터에서 열차와 테스트에서 열리는 경기의 수는 40 세트 97964 시험 중 하나는 20556 그래서 이것은 train과 test 데이터 모두를위한 것입니다 일은 선수의 수를 찾는 것입니다 각각이 일치하므로 실행 해 봅시다 다음으로 우리가 할 일은 여기 열은이 고유 한 ID와 같은 95 명의 선수가 발생하는 경기를 볼 수 있습니다

99 명의 선수 중 99 명 중 1 명이 100 명의 선수를 가지고있을 때 95 명과 일치합니다 이 모든 선수들이 다른 경기에서 뛰는 것을 찾을 필요가 있습니다 한가지는 player_played라는 새로운 열을 생성한다는 것입니다 열은 각 경기에서 경기 한 선수의 수를 훔쳤습니다 이 3 줄 코드에서 우리가하는 일은 그들을 실행하고 그 후에 우리는 탐색 데이터 분석 (EDA)은 우리의 데이터 세트를 그림으로 그릴 것입니다

이야기의 수천을 알려주고 다음 코드 줄에서 우리가하는 일을 매치마다 플레이하는 플레이어의 수를 줄이면됩니다 여기 거의 끝났습니다 내려 가서 그래프를 볼 수 있습니다 다른 플레이어가 다른 플레이어에서 플레이 한 것을 보여줍니다 일치하고 대부분의 데이터 집합에 집중했다

85 명의 선수가 일부 경기에서 100 명이 넘는 선수를 보았습니다 98 명이 참가했습니다 심지어 약 75 명 미만의 경기는 매우 적습니다 선수들이 그림을 그리거나 다음에 데이터 세트를 만들어야합니다 일이 이상치에서 작동하므로 여기에 일치하는 데이터 세트가 있습니다

기본적으로 윤곽선은 데이터 포인트와 같은 나머지 데이터 포인트 동작을 여기에서 벗어난다 이 플롯에서 데이터 포인트의 대부분이 직선을 따르는 것을 볼 수 있습니다 행동을하지만 하나의 특별한 점이 있으며이 정상을 벗어납니다 직선의 거동과 그 점을 외곽 값이라고 부르기 때문에 우리는 pubg 데이터 세트에있는 이상치를 제거하거나 그냥 삭제하십시오 아래로 내려 가서 지금은 pubg에서 볼 수있는 pubg 데이터 세트의 특이점이 될 수 있습니다

플레이어를 찾아서 죽일 필요가 있다고하는 기본적인 연구가 있습니다 그 (것)들 그러나 몇몇 선수는 똑똑한 것을 시도하고 다만 몇몇 장소를 숨기고 살인 득점을 시작하십시오 그래서 우리는이 모든 선수들을 찾아 내야합니다 그래서 우리가 그걸 어떻게 할 수있는 기본적인 것들을 내려 가자 첫 번째 것은 우리가 우리가 찾을 수있는 총 거리라는 새로운 변수를 만들자 여행 또는 승차 여부에 관계없이 각 플레이어가 다룰 수있는 거리 수영하고, 우리가 얼마나 많은 거리를이 특별한 플레이어와 그 거리에 따라 우리는이 플레이어가 여행하는지 또는 이 선수가 똑똑해 지려고 노력하는지 여부는 그가 어떤 장소에 숨기고 있는지, 살인 행진을 시작하면 코드의 다음 줄에서 그렇게 할 것입니다

그래서 내려 가자 그러면 여기서 우리는 3 개의 거리를 볼 수있다 거리와 수영 거리를 계산하고 총 거리라는 새로운 변수를 만들고 그 변수에 관해 우리는 열차와 테스트 데이터의 모든 선수를 찾는다 둘 다 실행하면 여기에 kill_without_Moving이라는 변수가 생성되어 있습니다 그리고 그 변수는 가지고있는 모든 플레이어의 데이터 세트를 저장합니다

0 살 이상은 죽이지 만 그 거리는 0과 같습니다 그래서 우리는 그것들을 할 것입니다 열차와 테스트 데이터 세트에 대해서도 똑같은 것을 실행 해 봅시다 여기에 사람들이 알아 차릴 수 있습니다 기차 데이터 세트에 어떤 변화가 생기더라도 우리는 같은 변화를 가져옵니다

테스트 데이터 세트에서 모든 일이 동시에 일어나기 때문에 움직여 봅시다 다음 플레이어에게 얼마나 많은 플레이어가 살인 전략을 가지고 노는 지 확인하십시오 많은 플레이어가 움직이지 않고 여기를 보시면 1535에 해당하는 것을 볼 수 있습니다 따라서 약 1535 명의 플레이어가 특정 전략을 사용하여 게임을하고 있습니다 선수하지만 그들은 우리가 테스트 데이터 세트를 위해 할 것과 똑같은 것을 움직이지 않고있다

그 전략으로 플레이 한 플레이어의 수를 찾고 여기에서 그 전략으로 경기 한 약 311 명의 선수를 봅니다 그래서 우리는 한가지 할 일이 있습니다 그러면 모든 플레이어가 데이터 세트에서 빠져 나와 이제 실행 해 봅시다 우리는이 모든 선수들을 내려 놓고 여기에서 우리는 데이터 세트의 나머지 부분은 먼저로드 킬을 찾은 다음 동일한 작업을 수행합니다 기능의 나머지 부분은 도로 살인을 사용하여 도로 살생의 횟수를 찾습니다

다른 플레이어는 일부 플레이어가 도로 사살이나 도로가 11 번인 것을보고 있습니다 죽이거나 너무 많은 데이터 세트가 있었기 때문에 우리가 할 일은 우리는 10 명 이상의로드 킬을 가진 모든 선수들을 여기로 내려 놓을거야 열차와 테스트 데이터 세트에서 볼 수 있습니다 더 많은 플레이어를 드롭합니다 10 도로 살해 그래서 그들을 실행하고 다음 하나는 죽이기 때문에 우리는 살인 횟수를 확인한 다음 제거하거나 그래프를 작성하여 실행 해 봅니다 이 모든 코드 줄 및 줄거리가 무엇을 말하는지 살펴 봅시다

여기에 주어진 플롯이 있습니다 여기에 대부분의 데이터가 있습니다 0에서 12 사이에 집중되어 있습니다 그래서 우리는 우리가 떨어지는 것을합니다 이상한 플레이어로 행동하는 모든 플레이어는 35 명이 죽으면 열차와 테스트 데이터 세트에서 할 수있는 것이므로 놓아 버리자

이제 우리는이 모든 이상 치를 제거해야 할 지 물어볼 것입니다 당신이 그걸 가지고 다니지 않고 데이터 과학에서 저에게 따라야 할 것이 있습니다 이 전략이 올바른 방법이라고 말할 수있는 구체적이거나 사전 정의 된 전략이 아닙니다 그것을하는 것의 그러나 여기에서 당신은 내가 매우 많은 칼럼을 떨어 뜨리고있는 것을 볼 수있다 우리는 더 나은 모델을 만든 다음 더 좋은 모델을 만드는 것이 더 좋습니다

예측과 여기에 우리는 거대한 데이터 세트를 가지고 있으므로 우리는 이 모든 행을 삭제하거나 삭제하면 다음 행으로 이동하고 다음 중 하나는 가장 길다 일부 놀이는 가장 길게 살해 당한다 열차 1에 대한 가장 긴 죽일 데이터 세트를 여기에서 볼 수 있습니다 네비게이션은 0 ~ 400 미터이므로 여기에 우리가 모든 플레이어 또는 모든 이상 치를 제외하고, 우리는 더 이상 최장 거리를 갖는 이상치라고 부릅니다 1000 mete 이상이므로 코드의 다음 줄에서 우리가하는 일을 모두 삭제합니다

이 선수들은 우리가 볼 수있는 선수의 수를 여기에서 볼 수 있습니다 우리는 20 선수는 20 명이므로 우리는 그들을 떨어 뜨리고 열차에 대해서도 똑같이합니다 테스트를 해보고 그 이상을 가지고있는 모든 플레이어를 드롭합시다 가장 오래 걸리는 길이가 1,000m 인 것은 다음과 같습니다 승차 거리, 도보 거리 또는 수영 거리와 같은 처음에는 총 거리라는 특정 변수를 사용합니다

먼저 각 기능의 변수를 하나씩 가져 와서 먼저 도보 거리에 대한 그래프를 만들고 더 많은 플레이어를 드롭합니다 도보 거리가 10,000 미터 이상이므로 우리가하는 일이 여기에서 볼 수 있습니다 대부분의 데이터 세트는 0에서 5,000 미터의 그래프이며 우리는 수천 미터가 넘는 모든 선수를 떨어 뜨린다 우리는 열차와 테스트 데이터를 위해 다음으로 할 일을 계획하고, 같은 거리를 타시면 각 플레이어가 얼마나 많은 승차감을 갖느냐와 같이 대부분의 데이터를 볼 수 있습니다 세트는 0 미터에서 10,000 미터까지입니다

그래서 우리는 더 많은 선수를 제외시킬 것입니다 15,000 미터의 주행 거리보다 더 빨리 달려 가자 수영 거리를 보자 그것을 달리고 그것을 위해 밀도 플롯을 만든다 우리는 snsdistplot을 사용하여 밀도 플롯을 만드는 경우를 볼 수 있습니다

if 이 특정 코드 행을 알지 못해서 여기에서 가장 많이 볼 수 있습니다 데이터 세트의 0 ~ 500 미터이므로 모든 플레이어를 드롭합니다 천 미터 이상 수영 거리 당신은 단지 138 명의 플레이어 만 볼 수 있습니다 그래서 우리는이 모든 플레이어를 당신은 단지 138 명의 플레이어 만 볼 수 있습니다 주어진 데이터 세트와 다음 세트를 총 거리에 대한 플롯으로 여기에서 볼 수 있습니다

플레이어의 총 거리에 대한 플롯을 만들고 그 그래프에서 볼 수 있습니다 대부분의 플레이어는 0-100 미터의 데이터 세트를 가지고 있으므로 우리는 모두 드롭 할 것입니다 총 거리가 15,000 이상인 플레이어를 버리자 그리고 다음은 획득 한 무기의 이상 현상입니다 각 기능을 하나씩 설명하고 있습니다

백 패닉 쿼드 (back panic quad)를 볼 수 있습니다 한 줄짜리 기능을 지금 생각하면이 줄을 써서 얼마나 많은 무기가 획득되는지와 같이 획득 된 무기의 이러한 이상 현상에 대해 이야기하십시오 그 공포에있는이 변칙에 대해 우리는 얼마나 많은 무기가 필요한지 이야기합니다 플롯은이 밀도 그래프에서 여기에서 대부분의 데이터 또는 대부분의 플레이어를 볼 수 있습니다 무기가 200 개가 넘기 때문에 우리는 플레이어가 가지고있는 것을 알아냅니다 50 가지가 넘는 무기를 떨어 뜨리고 떨어 뜨립니다

그래서 우리는 무기가 200 개가 넘기 때문에 우리는 플레이어가 누구인지 알게됩니다 무기가 50 개가 넘는 플레이어의 수는 135 명입니다 먼저 모양을 찾거나 찾는다 무기가 50 개 이상인 플레이어의 수 항상 귀하의 모든 지원에 감사드립니다 대체 이제는이 모델을 2 단계로 교육해야합니다

AWS에 대해 살펴 보겠습니다

Cloud OnAir: AI Inference on GCP: How to get the best out of GCP VMs with Intel Xeon Scalable

[음악 재생] SHAHH SHAHIDI : 클라우드 OnAir에 오신 것을 환영합니다 Google Cloud에서 웹 세미나를 생방송하십시오

매주 화요일마다 웨비나를 개최합니다 내 이름은시다 그리고 오늘 저는 GCP와의 AI 추론에 대해서 이야기 할 것입니다 인텔에 언제든지 질문 할 수 있습니다

인텔 및 Google 직원이 있습니다 누가 너의 질문을 할거야 시작하자 우리는 인텔 제온의 가치 제안에 대해 이야기 할 것입니다 및 GCP 및 인텔과 함께 GCP 환경을 구성하는 방법 하드웨어 및 소프트웨어 최적화, 귀하의 인공 지능을위한 최고의 성능을위한 도구 및 도구 신청

우리는 당신에게 작품 중 일부를 소개 할 것입니다 Google과 함께 2 회에 걸쳐 우리가 이러한 최적화를 가져올 수있는 방법 GCP에서 사용 가능하고 사용하기 쉬운 도구를 제공합니다 그래서 여기서 이야기의 아젠다가 있습니다 먼저 인텔에 대한 간단한 개요를 살펴 보겠습니다 AI에서 우리의 전략과 강점

우리는 우리의 제온 CPU에 대해 계속 이야기 할 것입니다 GCP에서 사용할 수 있습니다 그런 다음 AI에 대한 최상의 성능을 얻는 방법에 대해 이야기합니다 응용 프로그램, 다른 프레임 워크 조정 및 최적화 우리의 하드웨어에서 최고의 성능을 발휘합니다 마지막으로 우리는 2 년 이상의 협력에 대해 이야기합니다

Google Cloud를 사용하여이 성능을 쉽게 구현할 수 있습니다 GCP 개발자가 사용할 수 있습니다 나는 AI 고객의 진짜 예를 들고 싶다 인텔이 AI에 가져다주는 가치를 강조했다 이것은 산업 결함 검출의 라이프 사이클을 보여주고있다

계획 그리고 우리는이 라이프 사이클의 붕괴를 보여주고 있습니다 다른 단계로 다른 프로젝트들은 시간대별로 다르지만, 단계는 일반적으로 동일합니다 하단에서 솔루션 전체 시간 완전한 인공 지능 여행입니다

기회 평가부터 개발까지의 단계 최종 결과에 대한 평가 등의 작업을 수행합니다 중간에 개발 및 배포 부분을 확대합니다 데이터를 소싱하는 것을 포함하는 전체 솔루션 개념 개발 추론 전개 증명, 광범위한 응용 프로그램과의 통합도 가능합니다 상단에서 우리는 증명을 더 확대합니다 개념 개발 자체의 데이터 준비가 완료되었음을 알 수 있습니다 개발 시간의 대부분은, 그 다음에 모델을 훈련하고 테스트를하고, 플러스 문서

보시다시피, 많이 있습니다 계산 집약적 인 부분 전후에 일어날 필요가있다 우리가 핵심 기계 학습으로 지칭하는 생명주기 그리고 깊은 학습 단계 인텔은 전체 라이프 사이클에 걸쳐 고객과 협력합니다 솔루션에 대한 전반적인 시간을 단축 할 수 있습니다

데이터의 전반적인 흐름을 생각하는 것이 중요합니다 데이터 관리 및 기타 두통을 포함하여, 오히려 배포를 빠르게 수행 할 수있는 방법은 무엇입니까? 솔루션의 한 부분을 프리미엄급으로 가속화하는 것보다 자,이 개념을 조금 더 확장하기 위해, 여러 접근법을 간략하게 살펴 보겠습니다 배포 및 개발 전에 데이터를 준비하십시오 사이클 접근 방식 결정의 핵심 요소 데이터 스펙트럼에 착륙하는 곳입니다

귀하의 데이터가 하나의 출처 또는 다수 출신입니까? 구조화되었거나 구조화되지 않았습니까? 얼마만큼의 볼륨을 다루고 있습니까? 임무가 치명적인가 아닌가? 스트리밍 라이브 또는 배치입니까? 누구에게 접속해야합니까? 이것들은 여러분이 프로세스를 시작하기 전에 질문해야합니다 깊은 학습 여정 규정 요구 사항이 있습니까? 이러한 질문에 대한 귀하의 답변에 따라, 우리는 다른 접근 방식과 다른 도구를 추천 할 것입니다 데이터를 통합, 저장, 처리, 관리 및 분석 할 수 있습니다 예를 들어 실시간 스트리밍 데이터를 여러 센서에서 오는 통합 된 높은 처리량을위한 도구를 고려하고 싶습니다

낮은 대기 시간의 실시간 데이터 처리를 제공합니다 최종선에는 많은 다른 접근이있다 데이터를 설정하고 AI에서 데이터 준비하기 개발 및 배치 인텔은이 분야에서 방대한 생태계와 함께 작업합니다 솔루션을 최적화하여 실행 최신 하드웨어에 가장 적합합니다 이러한 최적화를 활용하면 데이터 준비주기에 최상의 성능을 제공하고, 관리를위한 오버 헤드와 두통이 거의없고 전혀 없습니다

데이터 이동 이제 우리는 서로 다른주기에 대해 이야기했습니다 우리가 핵심 기계 학습에 도달하기 전에, AI 응용 프로그램의 깊은 학습, 인텔의 완벽한 포트폴리오를 간략하게 살펴 보겠습니다 소프트웨어 및 솔루션 사실 인텔의 다양한 하드웨어 제품 포트폴리오에서 실행됩니다 우리의 소프트웨어 스택을 통해 우리는 모든 수준을 목표로합니다

인공 지능 전문 지식과 참여, 도서관 개발자, 데이터 과학자, 앱 개발자에게 도움이됩니다 우리는 또한 풍부한 솔루션 카탈로그를 보유하고 있습니다 내부 및 공개 사용 사례를 기반으로 솔루션 아키텍트와 공유 서로 다른 부문에 걸쳐 약간의 작업을 단순화하기 위해 이 도구들 중 몇 가지에 집중하고 싶다 오늘날 대부분은 GCP 개발자에게 적용됩니다 인텔 제온 프로세서부터 시작해 보겠습니다

우리의 인공 지능 솔루션의 토대가되는, 특히 GCP에서 우리는 몇 가지 개선 사항에 대해 이야기 할 것입니다 최신 세대의 Xeon CPU 어떻게 AI가 더 나은 성능을 발휘할 수 있는지 신청 다음은 오픈 소스 심 신경 네트워크 인 MKL-DNN입니다 우리 CPU의 기능 라이브러리 개발자는 이러한 프리미티브를 사용하여 가속화 할 수 있습니다 우리 하드웨어의 성능

그런 다음 인텔과 함께 스택의 다음 계층에 집중합니다 최적화 된 프레임 워크, 특히 TensorFlow, 이 프리젠 테이션의 목적을 위해, Intel의 Python 배포판도 포함되어 있습니다 마지막으로, 우리는 우리의 깊은 학습 개발에 초점을 맞출 것입니다 툴킷, 추측을 가능하게하는 OpenVino 다양한 하드웨어에서 최적화 된 성능 제공 통합 API를 사용하는 배경 인텔, 구글과 제휴 오랫동안 데이터 센터 인프라에 대한 2016 년 이래로 우리는 긴밀히 협력 해 왔습니다

하드웨어에서 실행되는 클라우드 솔루션에 GCP를 사용합니다 AI에 대한 우리의 계약 전략을 요약하면, 우리가 집중하는 세 가지 기둥이 있습니다 첫 번째는 제품입니다 Google과의 긴밀한 협력을 통해, GCP는 최초의 클라우드 서비스 제공 업체였습니다 최신 제온 확장성에 대한 액세스 제공 클라우드 환경의 프로세서, 심지어 몇 달 우리 제품의 일반적인 시장 가용성 전에

Google은 항상 기술의 최첨단에 있습니다 그리고 우리는 시간을 제공하기 위해 계속해서 협력합니다 GCP 개발자를위한 제품을 시장에 내 놓습니다 우리 전략의 두 번째 기둥 도구 및 라이브러리 작업 하드웨어 성능을 최대화 할 수 있습니다 이 작품은 제가 앞서 설명했듯이, 소프트웨어의 여러 레이어에 걸쳐 있음 프리미티브 및 라이브러리에서부터 유니 파이드 컴파일러 및 SDK에 이르기까지, 최적화 된 심층 학습 및 기계 학습 프레임 워크

마지막으로 GCP와 협력합니다 GCP에서 이러한 도구를 사용할 수 있고 쉽게 액세스 할 수 있도록 개발자를위한 환경 그럼 우리 제품에 대해 조금 이야기 해 봅시다 스카이 퀘이크 (Skylake)라고도 알려진 인텔 제온 (Intel Xeon) GCP에서 사용할 수있는 최신 인텔 CPU입니다 2017 년 1 분기 이후 이러한 프로세서는 CPU 코어의 수를 늘립니다

이전 세대에서 50 % 큰 VM으로 변환합니다 이제 Skylake 기반 VM을 선택할 수 있습니다 최대 96 개의 vCPU 및 최대 14TB의 메모리를 제공합니다 Skylake는 또한 많은 마이크로 아키텍처 상당히 큰 캐시를 포함하여, 더 큰 데이터를 저장할 수있는 응용 프로그램으로 변환됩니다

코어에 가까운 구조 데이터 구조가 코어에 맞지 않는 경우, 메모리에 더 빨리 액세스 할 수있는 메모리 대역폭이 더 있습니다 그리고 실행 측에, Skylake 많은 명령어의 명령어 대기 시간을 줄입니다 더 넓은 실행을 추가합니다 동시에 Skylake는 최신 버전을 구현합니다

인텔 벡터 명령어 인 AVX-512, 벡터에서 이전 세대의 두 배 폭을 제공합니다 부동 소수점 성능을 최대 82 % 향상시킬 수 있습니다 이 모든 것이 더 빠른 vCPU 및 컨테이너로 변환됩니다 GCE 및 GKE의 Skylake 및 기타 GCP 제품을 기반으로합니다 아시다시피, 필수 요소 중 하나 길쌈 신경 네트워크 모델링 뒤에 행렬 곱셈입니다

Xeon CPU에서는 명령어를 가속화합니다 이러한 작업을 가능한 효율적으로 수행 할 수 있습니다 Skylake는 오늘 FP32 벡터를 지원합니다 곱하기 및 덧셈 명령, INT8 명령 차세대 Intel Xeon 프로세서 새로운 VNNI 지침을 제공합니다 VNNI는 벡터 신경망 명령을 나타냅니다 하드웨어 가속을 포함합니다

INT8 컨볼 루션 명령 차세대 인텔 제온 프로세서에서, 흡입 작동을 수행하기위한 3-AVX 명령 하나에 융합되어 소비로 인해 속도가 향상됩니다 클럭주기가 짧다 우리는 프레임 워크 개발자들과 긴밀히 협력하고 있습니다 이 지침을 통합하기 위해 그들이 활용할 수 있도록 프레임 워크에 이러한 지침에 따른 성능 향상 귀하의 응용 프로그램에

그래서 우리는 새로운 지침에 대해 이야기했습니다 하드웨어의 모든 장점 우리의 신제품이 GCP에 가져다줍니다 그러나 모든 하드웨어는 소프트웨어만큼이나 우수합니다 그것의 위에 달리는 따라서 하드웨어에 기능을 제공하는 것 외에도, 우리는 소프트웨어 최적화에 집중 해 왔습니다

하드웨어의 모든 기능을 활용할 수 있습니다 우리는 지난 몇 년간 매우 긴밀하게 관계를 맺어 왔습니다 다른 프레임 워크 개발자들과 함께 라이브러리를 통합하고 최적화를 업스트림합니다 다음은 Google 최적화의 예입니다 1 년 반 동안 일해야합니다

Skylake CPU를 공개적으로 출시 한 2017 년 7 월부터, 추측에 약 54 배의 향상이있었습니다 성능, 전적으로 소프트웨어 최적화에서 동일한 인텔 하드웨어 비교 우리 최적화의 힘을 말할 수 있습니다 내년까지 우리의 차세대 Xeon CPU 공개적으로 사용할 수 있습니다 추론 성능이 대략 두 배가 될 것으로 예상하고, 새 하드웨어 가속으로 인해 지침, 구현 및 추가 성능 최적화

이 차트는 ResNet 50 성능을 기반으로합니다 분명히 컴퓨팅 부하가 적은 워크로드의 경우, 하드웨어에 다른 병목 현상이있는 경우, 결과는 덜 발음되지만 여전히 매우 중요합니다 자, TensorFlow에 약간 초점을 맞추자 프레임 워크 최적화에 대해 간단히 이야기하십시오 우리는 우리의 최적화 된 심 신경 네트워크에 대해 일찍 말했습니다 라이브러리

앞서 언급했듯이 MKL-DNN은 오픈 소스 수학 커널 라이브러리입니다 깊은 신경 네트워크 및 주요 빌딩 블록 우리의 프레임 워크 최적화 MKL-DNN은 때로는 매우 낮은 레벨을 사용하여 고도로 최적화되어 있으며, 어셈블리 코드만큼 낮습니다 API는 피드백과 상호 작용으로 개발되었습니다 주요 프레임 워크 소유자와 최적화는 여러 레이어에서 수행됩니다

첫째, 컨볼 루션 (convolution)과 같은 모든 프리미티브 (primitive) 행렬 정규화 및 행렬 정규화 최신 와이드 벡터를 활용하도록 다시 작성 명령 다음으로 서로 다른 레이어가 병렬화됩니다 사용 가능한 모든 코어를 효율적으로 사용할 수있게합니다 하드웨어에서 마지막으로, 프리 페칭, 캐시 블로킹 기술 및 데이터 형식 공간적, 시간적 지역성을 촉진하는 것 실행시 데이터를보다 유용하게 만드는 데 사용됩니다

단위에 필요합니다 MKL-DNN 프리미티브를 사용하는 것 외에도, 우리는 다른 기술을 사용하여 TensorFlow에 통합합니다 우리가 레이아웃 최적화를 좋아하는 것들이 있습니다 기본 TensorFlow 작업 교체, 퓨즈 작업, 전파 중간 상태 그리고 우리는 우리의 커스텀 CPU 풀 할당자를 가지고 있습니다

기본적으로 값 비싼 페이지 손실을 피하는 데 도움이됩니다 페이지가 지워집니다 Google은 이러한 최적화 작업을 위해 Google과 협력 해 왔습니다 2 년 이상 협력하고 계속 협력하십시오 새로운 지침과 프레임 워크에서 이익을 실현 공연

이제는 TensorFlow 및 기타 심층 학습에 더하여 우리는 파이썬에 최적화 된 라이브러리 우리는 NumPy, SciPy 및 SciKit-Learn를 가속화했습니다 인텔 MKL과 최적화는 conda와 Anaconda를 통해 가능합니다 일반 대중을위한 클라우드 및 다시 상류로 돌아옴 메인 파이썬 트렁크에 자세한 내용을 알고 싶다면 Intel 배포판에서의 Python 및 일부 성능 증거 [INAUDIBLE], 우리는 좋은 글을 남겼습니다 인텔 웹 사이트 소프트웨어에서 확인하십시오

나는 당신이 참조 할 수있는 슬라이드에 링크가 있다고 생각합니다 다음은 scikit-learn 라이브러리를 사용하는 예입니다 GCP 환경에서 중요한 성과 달성 속도를 올리다 이것은 K-Means 클러스터링 알고리즘을 사용하고 있습니다 최대 23 배 빠른 이득을 볼 수 있습니다

인텔 scikit-learn 대 주식 scikit-learn 사용 파이썬의 라이브러리 그리고 이것은 96 vCPU Skylake 인스턴스의 GCP에서 실행됩니다 이제 우리는 인텔 최적화 라이브러리에 대해 이야기했습니다 그리고 프레임 워크, 나는 약간의 시간을 보내고 싶다 Google과의 공동 작업에 대해 이러한 최적화 성능을 제공하는 클라우드 GCP에서 쉽게 액세스 할 수있는 자산으로 사용할 수 있습니다

우리는 Intel 최적화 된 Docker 이미지를 생성했습니다 TensorFlow 및 인텔 배포 Python Docker Hub와 GitHub에서 이 Dockers에 액세스 할 수있는 링크가 있습니다 기본적으로 이것은 소프트웨어의 모든 장점을 가져올 것입니다 한 번 클릭으로 Docker 이미지를 다운로드 할 수 있습니다

그래서 이들을 사용하여 더 빠르고 효율적으로 개발할 수 있습니다 또한 Google과 협력 해 왔습니다 파이썬의 인텔 배포판을 만들기 위해, 뿐만 아니라 일부 인텔 성능 라이브러리, Google 컨테이너 레지스트리에서 사용 가능합니다 인텔 성능 라이브러리에는 라이브러리 인텔 수학 커널 라이브러리, 인텔 스레딩 빌딩 블록, Intel NPI, IPP 및 데이터 분석 가속 라이브러리 VM에서이 라이브러리를 사용할 수 있으려면, 당신은 런타임이 실제로 있는지 확인해야합니다

이 라이브러리에서 사용할 수 있습니다 링크에 대한 좋은 지시 사항이 있습니다 런 타임을 다운로드 할 수있는 웹 사이트 VM 인스턴스에서 사용할 수 있도록합니다 인텔 최적화 라이브러리가있는 컨테이너 외에도, 우리는 Google과 협력 해 왔습니다 최적화 된 가상 시스템 이미지를 만듭니다

사용 및 배포 용이성 외에도, 이러한 이미지는 개발자가 항상 최신 버전의 최적화 활용 이 이미지들을 통해 최근 GCP는 인텔 최적화 된 두 개의 VM 이미지를 발표했습니다 하나는 TensorFlow, 1120을 사용하여 최신 MKL-DNN 및 MKL 라이브러리, 인텔 최적화가 적용된 또 하나 세 개의 파이썬 라이브러리 – numPy SciPy와 scikit-learn

이러한 이미지는 환경 변수 설정을 자동화합니다 올바른 변수를 사용하고 Google Cloud를 통해 사용할 수 있습니다 마켓 플레이스, GCE, OS 이미지 및 명령 줄 인터페이스 조금 시간을 보내고 싶다 시작하는 방법을 안내합니다 GCP에서 올바른 플랫폼을 선택하는 방법 최적화 된 이미지에 액세스하는 것

Google Compute Engine에서 시작하려면 인스턴스 생성, CPU 플랫폼 풀다운 메뉴로 이동 Intel Skylake 이상을 선택하십시오 귀하의 신청서가 최신 하드웨어 향상 기능을 활용할 수 있습니다 Skylake의 장점에 대해 이전에 이야기했습니다 이전 세대 CPU보다 그리고 가용성 측면에서, Skylake는 현재 17 개 GCP 지역 중 16 개 지역에서 사용할 수 있습니다 콘솔을 사용하지 않는 경우 Cloud Shell에서 min-cpu-platform 플래그를 사용할 수 있습니다

CPU를 선택하십시오 Skylake 가용성을 갖춘 16 개 존 중 하나에서, 인텔 스카이 레이크에 플래그를 설정할 수 있습니다 Skylake에서 실행되도록 VM을 만들 때 앞에서 설명한 것처럼 VM 이미지의 주요 전제 인텔 최적화 및 도구를 쉽게 만드는 것입니다 GCP 개발자가 사용할 수 있습니다

Intel에서 VM 이미지에 액세스하는 방법 중 하나 최적화 된 TensorFlow 또는 Intel 최적화 Python은 Google Cloud Marketplace를 사용합니다 Google Cloud Console 환경에서, 마켓 플레이스를 클릭하고 심층적 인 학습 VM 이미지를 찾으십시오 클릭 한 번으로 배포 할 수 있습니다 VM상의 이러한 이미지 GCE에서이 이미지에 액세스 할 수도 있습니다

설정하는 동안 더 많은 제어 기능을 찾고 있다면 VM, 최적화 된 OS 이미지 배포 부팅 디스크를 변경하고 하나를 선택하여 인텔 최적화 이미지 최적화를 최대한 활용하려면 최신 아키텍처에서 Intel Skylake로 CPU 플랫폼을 선택해야합니다 또는 나중에이 작업을 수행하는 동안 그리고 Google 콜 커맨드 라인 인터페이스를 사용하는 경우, 다음 명령을 사용하여 VM 이미지를 시작할 수 있습니다 라인 옵션 이미지 계열 변수를 Intel 고유의 이미지 중 하나로 설정하십시오

인스턴스를 작성할 때 유형을 지정하십시오 min-cpu-platform 변수를 설정할 수도 있습니다 최신 인텔 CPU, Skylake 이제 툴킷에 대해 이야기하고 싶습니다 그래서 우리는 도서관에 관해 이야기했습니다 우리는 소프트웨어 스택의 여러 레이어에 대해 이야기했습니다

그리고 지금까지 라이브러리와 프레임 워크에 중점을 두었습니다 그리고 우리 툴킷에 대해 조금 이야기하고 싶습니다 인텔 하드웨어를 개발하는 데 도움이되는 것 Google Cloud를 사용한 최신 프로젝트 Kubeflow 파이프 라인에있다 그리고 우리는 통합 작업을하고 있습니다

개발 툴킷의 일부를 Kubeflow 파이프 라인에 통합합니다 이전에 우리는 우리의 소프트웨어 툴킷에 대해 조금 이야기를 나누었습니다 서로 다른 인텔 하드웨어에 공통 API를 제공합니다 이 소프트웨어 툴킷은 OpenVino로 알려져 있습니다 열린 시각적 유추를 의미하는 및 신경망 최적화

OpenVino에는 세 가지 주요 구성 요소가 있습니다 첫 번째는 심층 학습 배포 키트 또는 DLDT입니다 두 번째는 OpenCV 및 미디어입니다 SDK는 전통적인 비전 및 비디오 처리에 사용됩니다 세 번째는 사전 훈련 된 모델 모음입니다

및 자습서 요약하면, OpenVino는 통합 프로그래밍 모델을 제공합니다 하드웨어 전반에 걸쳐 성능 및 메모리 최적화 사용자 정의 워크로드를 위해 확장 가능하며, 광범위한 운영 체제 지원을 제공하며, 단순한 out-of-the-box 경험을 위해 자체 완비되어 있으며, 커뮤니티가 기여할 수있는 오픈 소스입니다 향상시킬 수 있습니다 오늘 집중할 구성 요소 기본적으로 모델 최적화 프로그램을 제공하는 DLDT입니다 통합 API가있는 추론 엔진 다른 인텔 하드웨어를 통해

그래서 Intel과 Google은 파트너 관계를 맺고 있습니다 DLDT의 성능 및 사용 편의성 제공 Kubeflow에 DLDT 컨테이너를 추가하여 GCP 개발자에게 관로 데이터 과학자로서 엔드 투 엔드 솔루션을 만들고 있다고 가정 해보십시오 일부 의료 이미지를 기반으로합니다 여러 다른 컨테이너를 통해 작업을 수행 할 수 있습니다

데이터 처리, 데이터 변환, 데이터 검증 컨테이너는 데이터 읽기를 용이하게하며, 데이터를 예상 된 포맷으로 변환하는 단계, 사용 가능하고 적절히 라벨이 붙어있는 것으로 데이터를 검증하는 것 이 데이터는 강사 컨테이너로 전달됩니다 출력은 다음과 같은 모델 유효성 검사 컨테이너로 전달됩니다 모델을 배치하거나 게재 할 준비가되었는지 확인합니다 교육받은 모델은 최종 당사자가 제공하는 데 사용됩니다

OpenVino가이 흐름에 통합되는 방식 훈련 된 모델이 DLDT 모델 최적화 프로그램에 공급된다는 것입니다 모델 최적화 기는 최적화 된 IR을 생성합니다 그리고 나서 최적화 된 IR이 서빙 DLDT 컨테이너는 기본적으로 추론 엔진을 사용합니다 Intel 하드웨어에서 가능한 한 효율적으로 실행 백엔드 여기에는 Kubeflow 파이프 라인을 통합하는 몇 가지 예가 있습니다 OpenVino 컨테이너

여기에 제공된 링크에는 두 가지 예가 있습니다 그리고 우리는 당신이 앞서 가서이 예들을 시도하도록 초대합니다 이 컨테이너를 통합하는 흐름을 따라 가야합니다 Kubeflow 파이프 라인으로 OpenVino와 그 이점에 대해 더 많이 배울 수 있습니다

하단의 링크를 사용하십시오 또한, 제 동료들은 AI 파이프 라인 및 인텔 OpenVino 소개 웹 세미나 내가 격려하는 통합 너는 배우기 위해 지켜보아야한다 마무리하기 만하면됩니다 AI 개발자를위한 인텔 리소스에 대한 자세한 내용 인텔 AI 아카데미는 최고의 장소입니다 인텔 자산 및 도구에 대해 더 자세히 배우기 시작했습니다

AI 빌더스 솔루션 라이브러리는 훌륭한 원 스톱 매장입니다 인텔 AI 기술 기반 솔루션을 찾는 방법 다른 분야에서 인텔의 GCP 방문 페이지는 훌륭한 출발점입니다 GCP에서 활성화 된 인텔 기술에 대해 자세히 알아보십시오 그걸로 다시 한 번 감사드립니다

AI의 일부를 소개 할 기회 GCP의 기술 라이브 Q & A를 위해 계속 지켜봐주십시오 내 동료, Banu, 몇 가지 질문에 대답하는 데 도움이됩니다 우리는 1 분 안에 돌아올 것입니다 SHIDE SHAHIDI : 그래서 여기 나와 함께 Banu 있습니다 그리고 우리는 많은 질문에 답하려고 노력할 것입니다

우리가 할 수있는대로 관객으로부터 내가 이야기하는 동안 몇 가지 질문을 수집했습니다 Banu, 그래서 질문 여기에, "고객의 사례는 무엇입니까? AI에 Xeon을 사용합니까? " BANU NAGASUNDARAM : 정말 좋은 질문입니다 AI에는 많은 고객이 있습니다 두 기계 학습 모두에 제온 프로세서를 사용하는 사용자 그리고 깊은 학습 작업량

특히 인공 지능에 대한 깊은 학습에서, 두 가지 유형의 작업 부하가 있습니다 우리가 지원하는 추론과 훈련을 위해서 우리의 고객은 Xeon 확장형 프로세서, SkyLake CPU, 스트리밍 추론 및 배치 추론에 사용됩니다 최근 스트리밍 추론의 한 예 얘기 Taboola했다 웹을 제공하는 추천 엔진입니다

웹 서비스 응용 프로그램 용 또한 Xeon CPU를 사용하여 데이터를 가져옵니다 그것을 스트리밍하고 실시간 추론을한다 데이터에 또한 약 360 억 건의 권장 사항을 제공합니다

매월 10 억 명의 고유 사용자가 있습니다 이것이 스트리밍 추론의 한 예입니다 그리고 일괄 유추를 위해 우리는 GE Healthcare와 같은 고객은 이미지 인식 워크로드에 Xeon CPU를 사용합니다 그리고 그들의 업무량은 마약에 관한 것입니다 – 더 많은 CT 스캔 및 제약 관련 그리고 그들은 배치 추론을 위해 Xeon CPU를 사용합니다

데이터베이스가있는 경우, 수집 된 집합 데이터의 그리고 그들은 그것을 사용하여 큰 배치 크기로 추론을합니다 그리고 그들은 엄청난 양을 깨달았습니다 Xeon CPU를 사용하여 성능이 향상되었습니다 그런 다음 교육 워크로드도 제공합니다

우리는 제약 업계의 노바티스와 같은 회사를 보유하고 있습니다 기본적으로 높은 콘텐츠 심사를하고 있습니다 정말 큰 이미지 크기 벤치 마크 중 일부를 살펴보면 예를 들어 ResNet-50과 같이 사용하는 그들은 ImageNet 데이터베이스를 사용합니다 그리고 그것은 더 작은 이미지 세트입니다

그러나 실생활에서는 고객이 훨씬 더 큰 이미지 크기를 사용합니다 그리고 노바티스는 훈련에 대한 사례 중 하나입니다 그들은 시간의 개선을 달성했다 Xeon CPU를 사용하여 교육 및 처리량을 향상시킬 수 있습니다 그래서 그것들은 우리 고객의 몇 가지 예입니다

AI 용 Xeon SHAHH SHAHIDI : 나는 다음 질문의 종류가 암시한다고 생각한다 그뿐 아니라 다음 질문은 "Xeon에서도 교육을 실행할 수 있습니까?"입니다 그래서 우리는 추론에 대해 이야기 해 왔습니다 설정 방법 및 Xeon 및 GCP에서 사용하는 방법에 대해 설명합니다

교육을 진행중인 고객의 사례가 있습니까? 제온에요? 그것은 가능합니까? BANU NAGASUNDARAM : 맞아 네 그건 좋은 질문이야 따라서 제온 CPU는 다목적 CPU이며, 이는 다양한 작업 부하에 사용됩니다 그리고 깊은 학습은 하나의 부분 집합입니다

인텔에 매우 중요한 워크로드 중 우리의 고객 그 일환으로 Xeon CPU에 대한 교육을 실행할 수 있습니다 내가 암시 한 사례 중 하나는 노바티스 (Novartis)였다 그러나 내가 만질 수있는 몇 가지 다른 것들이 있습니다 예를 들어, HPC와 AI의 수렴에서, 우리는 고객을 위해 실행되는 작업 부하를 가지고 있습니다

엄청나게 큰 데이터베이스에 예제 중 하나는 – 최근에 우리는 Supercomputing 2018 컨퍼런스에서, 프랑스 연구 기관인 [INAUDIBLE] Xeon CPU를 사용하여 여러 CPU에서 교육을 확장 할 수있었습니다 128 노드, 확장 효율성 향상 필요한 정확성을 얻는 것입니다 그래서 이것은 어떻게, Xeon에서 교육을 실행할 수 있습니다 추가 하시겠습니까? SHAHIDI : 예

사실 사실 GCP에서, 우리는 제온 (Xeon)에 대한 교육을 받고있는 고객이 몇 명 있습니다 그들의 응용 프로그램은 시각 효과에서 건너갑니다 위성 이미지로 장바구니 실험실은 공개적으로 Xeon에 대한 교육을 받고 있다고 발표했습니다 실제로하고있는 몇 가지 다른 것들이 있습니다 GCP 환경에서 BANU NAGASUNDARAM : 좋습니다

네 내 마음에 온 또 다른 한 가지 예가 CERN이었습니다 그들은 대형 Hadron Collider를 사용합니다 그리고 그들은 수집하는 엄청난 양의 데이터를 가지고 있습니다 그리고 그들은 몬테카를로와 같은 고성능 컴퓨팅을 실행합니다

시뮬레이션을 할 수 있습니다 또한 분산 된 교육을 위해 Xeon CPU를 사용합니다 256 개 노드에 걸쳐 그리고 우리는 3D-GAN에 대한 한 예를 보여주었습니다 적대적인 네트워크가 생성되어 여러 Xeon 노드에서 효율을 높일 수 있습니다 SHAHIDI : 알았어요

승인 큰 그래서 보자 BANU NAGASUNDARAM : 다음 물어볼 수 있습니다 그래서 언제 "우리는 깊은 학습 향상에 접근 할 수 있습니까? GCP의 VNNI에? " SHIDE SHAHIDI : 좋습니다, 그래서 좋습니다

VNNI 지침 및 심화 학습 차세대 Intel Xeon CPU에서 사용할 수 있습니다 실제로 샘플을 고객에게 보내고 있습니다 올해 말에 GCP에서 사용할 수있을 때 실제로는 GCP 담당자를위한 질문 따라서 GCP 담당자와 연락하는 것이 좋습니다

언제 그들의 타임 라인을 알아 내기 위해 그들은 그들의 플랫폼에서 이것을 이용할 수있게 할 것입니다 그래서 나는 당신을 위해 하나를 가지고있다 사실, 마지막에 가자 먼저 그 질문에 대답하기를 바랍니다 그리고 나서 시간이 있다면, 우리는 이전 시간으로 돌아올 것입니다

그래서 "다른 토폴로지와 프레임 워크는 무엇인가? 인텔 하드웨어에 최적화되어 있습니까? " BANU NAGASUNDARAM : 그것은 좋은 것입니다 따라서 인텔 포트폴리오 슬라이드 다른 프레임 워크를 보여주었습니다 우리가 최적화 한 요약하면 TensorFlow는 주로 프레임 워크 최적화 그러나 그 외에도 MXnet도 사용합니다 Caffe, 너무

그런 다음 PyTorch와 PaddlePaddle 프레임 워크의 몇 가지 예입니다 우리가 최적화 할 수 있습니다 토폴로지 측면에서 우리는 다양한 토폴로지를 수행합니다 그리고 그들은 유스 케이스와 매우 관련이있다 우리 고객이 신청하고 있습니다

예를 들어 이미지 인식을 실행하고, 이것은 Resnet-50, Inception v3 예제와 같습니다 우리는 물체 감지를합니다 YOLO가 그 예입니다 우리는 이미지 분할을합니다 이미지의 특정 세그먼트를보고있다

그것은 Mask R-CNN과 같습니다 우리는 또한 신경 기계 인 언어 번역도합니다 번역 작업 부하 그리고 나서 마음에 떠오르는 다른 것들 중 일부 TTS (text-to-speech)입니다 WaveNet은 TTS (text-to-speech) 워크로드의 좋은 예이며, 심지어 권장 시스템 (예 : Wide & Deep 또는 신경 협동 필터링과 같습니다

기본적으로 토폴로지는 매우 다양합니다 이러한 다양한 프레임 워크에서 최적화 할 수 있습니다 SHAHIDI SHAHIDI : OK, 라이브러리 및 프리미티브뿐만 아니라 우리는 또한 프레임 워크를 가지고 있습니다 그리고 그것은 우리가 서로 다른 토폴로지로 작업하는 부분입니다 다른 작업 부하에서

아마 우리는 한 번 더 질문 할 시간이 있다고 생각합니다 "인텔 최적화 소프트웨어의 이점은 무엇입니까? 왜 내가 그것을 필요로합니까? " BANU NAGASUNDARAM : 좋은 질문입니다 [웃음] 나는 시작할 수 있고 그 다음에 그걸 추가 할 수 있습니다 SHIDE SHAHIDI : 물론입니다 BANU NAGASUNDARAM : 그래서 Shideh 오늘 너 얘기하고있다

우리가 할 수있는 다른 것들은 무엇입니까? 그러나 우리는 왜 그것을해야합니까? 예를 들어 Skylake와 같이 우리가 구축 한 하드웨어는 ADX-512 명령어가 있습니다 차세대 제온 CPU는 VNNI 지침이 있습니다 이 지침에서 성능을 얻으려면, 그 위에 개발 된 라이브러리가 필요합니다 이 지침을 사용하십시오 그리고 일단 당신이 그러한 라이브러리를 개발하게되면, 이러한 라이브러리를 호출하기위한 프레임 워크가 필요합니다

그래서 우리는 당신이 최신 버전이 필요하다고 말합니다 인텔 하드웨어에 최적화 된 소프트웨어 최상의 성능을 얻으려면 GCP를주고 싶니? SHACHH SHAHIDI : GCP와 거의 같은 것입니다 BANU NAGASUNDARAM : 좋습니다 승인 SHIDE SHAHIDI : 프레임 워크가있는 한 및 토폴로지를 사용할 수 있는지 확인하십시오

최신 버전을 사용하고 있는지 확인하십시오 하드웨어와 소프트웨어 중 가장 뛰어난 것입니다 시도 해봐 그리고 당신의 공연이 보일 것입니다 이점과 부스트

BANU NAGASUNDARAM : 맞아 SHAHH SHAHIDI : 그래서 생각, 우리는 닫을거야 다음 세션 소개를 위해 계속 지켜봐주십시오 인공 지능 허브, 모든 인공 지능을위한 원 스톱 카탈로그 고맙습니다

BANU NAGASUNDARAM : 감사합니다 [음악 재생]

Applied Machine Learning with Peter Norvig, Director of Research, Google AI

[음악 재생] 여러분, 환영합니다 아침 일찍 일어나서 깨어있게 해줘서 고마워

우리가하는 일에 대한 약간의 개요를주고 싶다 기업 접근 방식 측면에서 본다 기계 학습의 문제 그리고 여러분 모두 표준 모델을 알고 있습니다 너는 약간 자료, 몇몇 그림, 당신은 그것에 몇 개의 레이블을 붙인다

그리고 너는 그 TensorFlow 물건을 던져라 이익을 얻으십시오 어떻게 그럴 수 있죠? 항상 직접적인 것은 아닙니다 때로는 조금 더 복잡합니다 왜 그런가요? 음, 그런데 놀랄만 한 점이 있습니다

첫 번째 일은 우리가 외출 중이라는 것입니다 우리는 당신과 다른 사람들과 같은 회사와 이야기를 해왔습니다 너는 그 어려움이 무엇이라고 생각하니? 될 것? 당신이해야 할 모든 부분이 있습니다 목표를 정의하고 데이터를 수집하며, 인프라 구축, ML 알고리즘 최적화, 그것을 귀하의 제품에 통합하십시오 사람들의 기대는 음, 어려운 부분입니다

그 알고리즘 물건이 될 것입니다 그 모든 수학은 정말 어려울거야, 그렇지? 그리고 나서 그들은 나가서 실제로 그것을합니다 그리고 현실은 이것과 더 비슷합니다 수학 부분은 쉬운 부분이었습니다 그리고 어려운 부분은 데이터를 가져 오는 중입니다

인프라를 구축 한 다음 기계끼리 끼워 맞춤 통합 당신의 제품의 나머지 부분과 함께 학습 부분 그리고 수학 부분은 조금 작습니다 그래서 그것은 정말로 당신이 가진 일을 뒤엎는 것입니다 네가해야 할 일에서해야 할 일 그래서 우리가 함께하려고했던 것 이 현실과 오히려 일치하는 방법론입니다

기대치와 일치합니다 여기 몇 가지 함정이 반복해서 나타납니다 그래서, 모두들, 글쎄, 기계 학습 더 빨리, 더 좋게, 더 싸게 갈 것입니다 괜찮을거야 그렇지? 그리고 때때로 그것은 정말로 있습니다

때로는 수백 배 더 빠르게 작업을 수행합니다 그렇지 않으면 가질 수있는 것보다 가끔은 네가하는 일을하는거야 기계 학습 없이는 전혀 할 수 없었습니다 하지만 다른 때에는 더 길게 끝납니다 당신이하지 않은 방법론에서 뭔가 새로운 것을하고 있기 때문에 알아

그래서 처음에는 뭔가를하는 것이 어렵습니다 올바른 데이터를 가지고 있는지에 대한 문제가 있습니다 당신이 그것을 적절하게 선별했는지 등등 때때로 사람들은 그것을 잊어 버립니다 이 아이디어는 그것이 전부 또는 아님, 너는 기계 학습을하고 있거나 너는 매뉴얼을하고있다

그것은 아마도 그것을 보는 올바른 방법이 아닙니다 당신이 그것을보고 있어야하는 방법 어떤 하위 문제에 적절한 것이 무엇입니까? 그리고 그것이 100 % 자동화 된 것이 아니라고 말하는 것을 두려워하지 마십시오 아직 루프에 어떤 인간이 있다고 적절한 시점에 올바른 제품이 무엇인지 파악합니다 따라서 여기에 내가 최적화 할 수있는 척도가 있다고 말하는 것이 유혹적입니다

~ 99 % 하지만 내 제품을 만드는 데 도움이되지는 않습니다 그것은 당신이 최적화하고 싶은 것이 아닙니다 그리고 네가하는 것에 대한 질문은 사내에서 할 일, 사용할 도구, 그리고 당신은 그것을 어느 레벨에서 사용할지를 결정해야합니다 여기에는 많은 선택 사항이 있습니다

혼자서 모든 것을 만들 수 있습니다 이러한 사전 훈련 된 모델을 사용할 수 있습니다 다양한 회사들이 제공하고 있습니다 올바른 믹스가 무엇인지 알아 냈습니다 또 다른 걸림돌이되었습니다

이제 나는 조금 뒤로 물러서 고 싶다 기존 소프트웨어와 다른 점을 살펴보십시오 및 기계 학습 소프트웨어 그래서 전통적인 소프트웨어에서, 우리는 시작합니다 우리에게는 엔지니어 또는 엔지니어 팀이 있습니다

그들의 책상에 앉아 그리고 그들은 아이디어를 얻습니다 그런 다음 모든 의사 결정 포인트를 수동으로 코딩합니다 우리가 묘사해야 할 모든 가능한 것들 컴퓨터에 무엇을 할 것인가 그리고 어려움은 많은 다른 길, 그리고 너는 가지고있다

모두가 작동하는지 확인하십시오 그리고 그것은 전통적인 소프트웨어 수학 과학을 만듭니다 우리는 기본적으로 우리의 프로그램이 올바른지 증명하려고 노력하고 있습니다 물론, 실제 생활에서 우리는 단지 작은 장난감 프로그램을 위해 그렇게하십시오 우리는 실제 프로그램을 실제로 증명하지 않습니다

그러나 우리는 그 방향을 목표로하고 있습니다 그리고 우리는 불리언 논리를 사용합니다 그리고 우리는 확실하게 노력합니다 기계 학습에서, 그것은 아주 다릅니다 우선 프로그래머가 아닙니다

프로그램을 작성 그것은 프로그램을 작성하는 컴퓨터입니다 아직 인간을위한 장소가 있습니다 그리고 그것은 교사가되어 데이터를로드하고, 학습 방법을 시스템에 가르쳐줍니다 그리고 그것은 기계 학습을 만들고 소프트웨어를 만듭니다

경험적 과학 따라서 수학을하는 것보다 생물학을하는 것이 더 좋습니다 당신은 세계에 대한 이론을 만듭니다 너는 너의 이론을 시험해 그들은 결코 정확하지 않을 것입니다

논리적이고 부울하지 않습니다 그들은 확률 론적이다 그리고 당신은 오히려 불확실성을 포용합니다 그것을 제거하려고 노력하는 것보다 그래서 완전히 다른 사고 방식입니다

그리고 사람들이 그 변화에 적응하는 것이 어려울 수 있습니다 이제 당신이 문제를 바라 보는 방식 외에도, 우리는 방법론에서도 진전을 보였습니다 우리가 제품을 만드는 방법 그래서 우리는 시작했습니다 소프트웨어는 일종의 스튜디오 또는 장인이었습니다

들 차고 건물에 스티브라는 두 명의 남자가 있습니다 훌륭한 회사 그리고 물론, 그들은 나중에 많은 도움을 받았다 하지만 시작은 매우 작은 팀이었습니다

별로 방법론이 없었습니다 너는 바지의 자리에 그걸 다했다 하지만 그때 우리는 당신이 오직 얻을 수 있다는 것을 깨달았습니다 지금까지 그 작은 팀과 그래서 우리는 일종의 공장 모델을 발명했습니다

또는 우리가 말했던 조립 라인 모델, 우리는 어떻게 수천 개의 소프트웨어 팀을 만들 것인가? 엔지니어가 함께 일하니? 음, 그렇게하기 위해서, 우리는 많은 훈련을 강요 할 필요가 있습니다 및 방법론 그리고 우리는 기본적으로 반세기에 걸쳐 그것을 구축했습니다 하지만 이제는 우리가 공장 모델을 필요로하지 않는다고 말하고 있습니다 어쩌면 학교 모델과 같을 수도 있습니다

이제 우리는 교사들에게 가르치게 할 것입니다 컴퓨터가 무엇을 해야할지 그리고 우리는 그것을하기위한 새로운 방법론이 필요할 것입니다 그런데 우리가 가지고있는 도구는 무엇입니까? 그래서 나이가 들어서 프로그래밍을 시작할 때, 나는 실제로 이것들 중 하나를 가졌다 그리고 연필로 작은 흐름도를 그렸습니다

그게 유용하다고 생각한 적은 없지만 숙제에 A를 얻고 싶다면 그것을해야만했습니다 그래서 나는 말했다 그러나 시간이 지남에 따라 우리는 훨씬 더 강력한 도구 세트를 구축했습니다 그리고 이제 우리는이 모든 위대한 것들을 가지고 있습니다 우리에게는 교육 자료 및 방법론이 있습니다

그리고 프로그래머들은보다 생산적 일 수 있습니다 왜냐하면 우리는 반세기가 지났기 때문입니다 방법론 이제 기계 학습에서 우리는 이제 시작하고 있습니다 따라서 우리는이 수준의 도구를 사용합니다

우리는이 고대 도구들을 가지고 있습니다 그리고, 예, 시간이 지남에 따라 더 정교해질 것입니다 그리고 당신은 – 그곳에는 망치가 있고 톱 등이 있습니다 그리고 그들은 당신이 더 잘 될 것이라는 것을 압니다 그러나 우리는 처음부터 정말로 옳습니다

그리고, 우리는 도움이되는 훌륭한 도구를 가지고 있습니다 여기 TensorBoard가 있습니다 그러나 우리는 생태계 전체를 구축하지 않았습니다 우리는 전통적인 소프트웨어를 가지고 있습니다 그럼 어떻게 거기에 갈거야? 우리는 어떻게 기계를위한 방법론을 갖게 될 것인가? 학습 성공? 글쎄, 그것은 우리가 작업하고있는 것들 중 하나입니다

나는 우리가이 블로그에 당신을 가리키고 싶다 "The Lever"에서 일하고있다 더 빠르게 움직이고, 몇 가지 블로그를 살펴볼 수 있습니다 우리는 가지고있다 그리고 우리는 지금이 모든 말씀을 읽을 필요가 없습니다

그러나 그것은 이용 가능할 것이고, 당신은 가서 그것을 볼 수 있습니다 그래서 하나의 실험 아이디어가 있습니다 우리는 우리가 어디로 가고 있는지 정확히 알지 못합니다 그러나 우리는 그것에 대해 걱정하지 않아야합니다 그리고 우리는 신속하게 진전을 시도해야합니다

빠른 실험을하고, 결과를보고, 분석하고, 진행 방향을 변경합니다 제품 관리자가 기계와 통합되는 방식에 대한 아이디어 제품 관리자가 말하기의 규율에 익숙하다 우리가 쌓아야 할 것입니다 우리가 그것을 조각으로 나누는 방법은 다음과 같습니다 얼마나 오래 걸릴지 알아

각 조각을 만들 수 있습니다 나는 최종 제품을 구상 할 수있다 그리고 기계 학습으로, 항상 좋아하는 것은 아닙니다 얼마나 오래 차이가 있기 때문에 그것이 취할 것인가, 아니면 그것이 짝수 일 것인가 구성 요소를 만드는 것이 가능해질 것입니다 그런 다음 데이터는 어디에서 왔습니까? 데이터가 핵심이라면 데이터는 새로운 자본이고 기계 모든 것을 만드는 공장 바닥에 어디로 간다? 그것을 curating하는 과정은 무엇입니까? 데이터가 새로운 금으로 생각할 수도 있습니다

당신은 그 일을 잘 돌보고 싶습니다 당신은 투자하고 있습니다 당신은 올바른 투자를 원한다 올바르게 사용하는 방법을 알고 있어야합니다 그리고 당신은 더 많은 것을 위해 그 블로그를 볼 수 있습니다

그 아이디어 각각에 다시 말하지만 여기에서 다시 참조 할 수 있습니다 그러나 우리는이 다섯 가지 범주의 관점에서 도전을 생각합니다 먼저 기술은 무엇입니까? 이러한 모든 새로운 도구를 사용하고 데이터를 사용하며, 그것을 통해 흐름, 알아내는 어떤 모델이 합리적인지, 그 기술을 배치하는 것입니다

멋진 기술을 사용하는 방법 고객에게 적합한 제품에 적합합니까? 그래서 우리는 여기에 문제가있었습니다 회사 내에서 Google에 많은 일이 일어나고 있습니다 그리고 많은 훌륭한 연구가 진행되고 있습니다 그리고 훌륭한 제품 개발이 많이 있습니다 그러나 우리가 그 두면을 하나로 모으지 않는다면, 우리는 성공하지 못할 것입니다

그래서 저는 연구 책임자로서, 사진 팀이 우리에게 와서 말했습니다 우리는이 끔찍한 성공 재난을 겪습니다 사람들은 사진을 사용하고 있으며 제비 뽑기와 많은 그림을 가져 가고, 지금은 혼란스럽고 정리할 수 없습니다 자신의 사진을 찾을 수 없습니다 우리는 무엇을 할 수 있습니까? 그리고 그들은, 나는 우리가 필요하다고 생각한다고 말했다

인간이 할 수있는 몇 가지 요소입니다 사람들이 모든 사진을 폴더로 쉽게 분류 할 수 있습니다 그리고 우리는 그들에게 말했습니다, 예, 그렇습니다 그 중 일부는 인간의 요인 전문가 우리는 아마 조금 더 나아질 수 있다고 생각합니다

그러나 대신 우리가 자동으로 아무도 아무 시간도 낭비하지 않도록 모든 사진에 라벨을 붙였습니다 그들을 폴더에 넣어? 그리고 그들은 말했다, 당신은 그것을 할 수 있습니까? 나는 그것이 공상 과학이라고 생각했다 그래서 과학자가 인식하는 것의 대화였습니다 이 사람들은 필요와 제품 팀이 있습니다 이 녀석들에게는 기술이 있다는 것을 인정합니다

그리고 그 대화를해야합니다 당신은 그 사람들을 모아야합니다 그렇지 않으면 우리는 그 모든 노력을 낭비했을 것입니다 디자인 문제가 변경 될 수 있습니다 디자인이 어디로 향하는 지 보여주는 좋은 예였습니다

우리가 더 이상 없었던 많은 것을 바꾸는 폴더 구조가 어떻게 생겼는지 걱정 해시 태그는 모두 무엇입니까? 오히려 검색 창을 가질 것이라고 말할 수 있습니다 이제 결과가 어떻게되는지 알아냅니다 당신이 그 수색을 할 때처럼 따라서 사용자 경험은 상당히 다를 것입니다 그리고 나서 사람들의 문제

너 같은 회사에서 불만이 많다 이러한 기계 학습 전문가를 어떻게 고용 할 수 있습니까? 그리고 페이스 북은 그들 모두를 얻었다? 그래서 그들은 밖에 있습니다 그러나 생각할 다른 것 우리가 가진 전문가 중 일부는 당신이 원하는 사람들이 아닙니다 그래서 너는 갈 사람이 필요 없어 톱 컨퍼런스에서 논문을 쓰는 중 새로운 알고리즘을 발명합니다

필요한 도구는 기존 도구를 사용할 수있는 사람입니다 그것들을 하나의 제품으로 합치십시오 그리고 때로는 두 가지 유형의 사람들이 상당히 다릅니다 그리고 알고리즘에 대한 세계의 전문가 인 누군가 제품을 만드는 데 적합한 사람이 아닐 수도 있습니다 그러나 그것을 이해할 수있는 누군가가 그것을 할 수 있습니다

그리고 성장과 관련하여 많은 문제가 있습니다 우리는 기업이 첫 발걸음을 내딛는 것을보고, 약간의 성공을 얻은 다음, 약간의 걸림돌 그들이 앞으로 나아갈 때 이 문제를 둘러싼 많은 문제가 있습니다 그래서 문제의 일부는 당신이 처음 시작, 당신은 어떤 데이터를 던져 모든 것이 작동합니다 하지만 그렇다면 당신은 – 음, 이제 갑자기 우리가 성장함에 따라 프라이버시 문제가 발생합니다

또는 규제 문제가 있습니다 그리고 이것들은 당신이 생각하지 않는 것들입니다 방금 알고리즘을 개발할 때 뭔가를 얻으려고 노력하면서, 그러나 그것은 회사의 성공에 결정적 일 수 있습니다 여기에는 또 다른 부류의 사람들이 있습니다 Launchpad를 통해 배운 놀라운 것들 중 하나입니다

예, 우리의 다음 고용을 위해 말한 회사와 이야기하고있었습니다 우리가 엔지니어보다는 변호사를 고용하고 있다고 생각합니다 그리고 그것은 내 경력에서 처음이었다 나는 그 감정에 실제로 동의했다 [웃음] 그래서 나는 당신에게 모든 이슈들을 말했습니다

그리고 지금까지 그것은 부정적이었습니다 터프 해 그러나 당신이 할 수있는 멋진 것들이 있습니다 그들은 단지 놀라운 것입니다 그리고 더 많은 것이 있습니다

그래서 나는 그들 중 일부를 통과 할 것입니다 나는 우리가 관여하고있는 몇 가지 계약을 선택했다 나는 너희 회사의 회사를 선택하지 않았다 그건 네 애들 중 어떤 애가 말하는 것과 같을거야 가장 좋아하는 영화

나는 그것을 할 수 없다 그래서 너희들을 내쫓 았어 스탠포드 대학에서 천체 물리학자를 만난 팀이 있습니다 그리고 그들은이 문제를 다루고 있습니다 중력 렌즈 작용 (gravitational lensing)

그럼 그게 무슨 뜻 이죠? 거기에는 은하계가 있습니다 그리고 은하계에서 지구로 빛이 비추고 있습니다 그리고 그들과 우리 사이에는 또 다른 은하가 있습니다 그리고 그 은하는 무겁습니다 그래서 실제로 빛을 굴절시킵니다

그리고 무슨 일이 일어나고 있는지 정확하게 측정 할 수 있다면, 본질적으로 그것은 퍼팅과 같을 것이다 중간 규모의이 은하 빛이 얼마나 무거워 지는지 확인하십시오 그리고 너는 뭔가를 배울 수있다 어둠의 물질과 그 멋진 것들에 대해서 이 사람들이 신경 쓰는 것 그리고 그것은 물리학 자들이 어떻게 여기에서 시작 하자고 말하면 계산이 가능합니다

물리학 법칙을 순방향으로 적용하십시오 그리고 그것은 우리에게 알려줄 것입니다 우리가이 은하가 어떤 것인지 알면, 그 빛이 어떻게 생겼는지 알려줄 것입니다 그리고 일치하지 않으면 이 하나를 약간 조정하고 다시 시도하십시오 그리고 슈퍼 컴퓨터에서 오랜 시간이 걸립니다

왜냐하면 그들은 많은 시련을해야하기 때문입니다 그리고이 사람들이 말한 것은 우리는 물리학 자입니다 우리는 수학을 이해합니다 우리는이 기계 학습에 관해서 아무것도 모릅니다 그러나 우리는 깊은 학습에서, 차별화되고 거꾸로 갈 수 있습니다

앞으로 나아갈 것보다 그리고 그것이 바로 우리가 필요로하는 것처럼 보입니다 그래서 몇 달 만에 그들은 스스로 가르쳤습니다 그들이해야 할 모든 것 그들은 그것을 시도했다

기존 기술보다 효과적입니다 그리고 1000 만 배 더 빠르게 달렸습니다 그래서 그것은 아주 멋진 성공입니다 그리고 그들은 2 개월 만에 성공을 거두었습니다 물론, 이들은 물리학 자입니다

그래서 평범한 사람, 당신이 단어 텐서를 말할 때, 그들은 조금 긴장 해 그러나 물리학 자들은 그것을 아침 식사로 먹습니다 어쩌면 조금 더 쉬울 수도 있습니다 그들은 문자 그대로 로켓 과학자입니다 여기 또 다른 예가 있습니다

비슷합니다 행성을 찾고 저는 Google에 오기 전에 NASA에있었습니다 그리고 저는이 사명의 전조에 관여했습니다 그래서 나는 그것을 정말로 좋아한다

그리고 그 생각은 먼 저 별을 바라 보는 것입니다 그리고 한 행성이 그 별을 동그라미 낀다 그리고 일식이 있습니다 따라서 일식은 빛을 조금씩 차단합니다 그리고 케플러 선교사는 그것을 찾았습니다

그리고 정말로 크고 큰 행성들은 먼 별 앞에서 지나쳐 차단해라 빛의 많은, 그들은 그것들 모두를 발견했다 그리고 그것은 차가웠다 그러나 이제 우리는 돌아가서 말하기를 원했고, 더 작은 행성을 찾을 수 있을까요? 기존 기술은 그렇게하지 않았습니다 많은 불확실성

그것은 단지 하나의 요소가 아닙니다 그러나 기계 학습 기술 그 (것)들을 뽑을 수 있었다 그리고 이제 우리는 더 많은 행성을 발견했습니다 이미 발견 된 것보다 그리고 나는 오늘 아침 또 다른 비슷한 종류가 있다는 것을 보았습니다 오래된 데이터를 보면서 표준 기술을 끌어낼 수있는 곳 쉬운 예제, 기계 학습으로 돌아 가기 더 많은 예제를 찾는 것입니다

우리는 의학 분야에서 많은 연구를 해왔습니다 이것은 망막을 보는 문제였습니다 및 안구 질환 진단 그리고 우리는 일반 의사보다 더 잘 할 수 있음을 보여주었습니다 그러나 우리는 그 외에 무엇을 할 수 있을까요? 우리는 고혈압을 감지 할 수 있을지도 모른다고 말했습니다

밝혀 지 네, 우리는 정말 잘 할 수 있습니다 그리고 엔지니어는 계속 가고있었습니다 그들은 굴러 다녔다 그리고 그들은 말했습니다 우리가 데이터베이스에 있니? 기둥 중 하나는 섹스입니다

우리가 그것을 예측할 수 있는지 봅시다 의사가 말하길, 오, 잠시만 요 남성과 여성의 망막에는 차이가 없습니다 당신은 그것을 예측할 수 없을 것입니다 엔지니어들이 말했습니다

왜 95 %의 정확도를 얻었습니까? [웃음] 그리고 의사들은 아직도 우리가 왜 그렇게 할 수 있는지 알지 못합니다 그들의 눈에 대한 이론은 불완전했다 그리고 의학 응용 프로그램은 모든 방법으로 이동합니다 고등학생까지 그래서 저는 로켓 과학자들에 대해 이야기했습니다

20 년간의 경험을 쌓았습니다 여기에없는 아이도 있습니다 20 년 동안 살아 있었지만 아직은 이것에 기여할 수있었습니다 그것은 단지 아픈 사람들 이상입니다 그래서 우리는 병든 식물을 볼 수 있습니다

그래서 너는 열대 우림으로 나간다 나뭇잎이나 무언가에 갈변을 감지 할 수 있습니다 그리고 숙련 된 농부라면 무엇을해야할지 알 것입니다 그러나 아마도 당신은 경험 많은 농부가 아니며, 아니면 기후 변화를 통해 다른 종류의 질병을 얻는다 전에는 보지 못했던 일들을 도와 줄 수 있습니다

진정한 도전 과제 중 하나는 여기에 있습니다 말하자면, 우리는 수퍼 컴퓨터를 꺼낼 수 없습니다 필드에 아마도 Wi-Fi 연결이 없을 것입니다 따라서 전화를 통해 로컬로 실행해야합니다

그래서 큰 도전 중 하나는 말하자면, 우리는 어떻게 이러한 연산이 많은 어플리케이션 전화기의 크기까지 확장 할 수 있습니다 여전히 작동하게 만드시겠습니까? 그리고 우리는이 경우 할 수있었습니다 다른 하나가 있습니다 그리고 모든 회사는 엘리베이터 피치를 가져야합니다 당신은 회사를 발명했습니다

그리고 회사가 뭐니? 그리고 답은 틴더와 비슷하지만 고양이에게는 그렇습니다 Conectera라고 불리는이 회사는 엘리베이터 피치가 있어요 Fitbit 같아요 그러나 암소를 위해서 그리고 그것은 어리석은 것처럼 보입니다

암소가 실제로 얼마나 많은 단계를 자랑해야하는지 오늘 했니? 아니, 그들은하지 않는다 그러나 농부는 실제로 무슨 일이 일어나고 있는지 알고 싶어합니다 농부가 알고 싶습니다 내 젖소가 아플까요? 그들 중 누구도 비정상적인 일을하고 있습니까? 얼마나 많은 양의 물을 마십니까? 얼마나 많이 걷고 있습니까? 그들은 여기에서 저기로 어디로 가나 요? GPS와 가속도계가있는 장치를 놓습니다 이제 전체 무리에 대한 전체 그림을 얻을 수 있습니다

Wi-Fi 연결이없는 또 다른 예가 있습니다 그래서 우리는 불법 삼림 벌채를 탐지하고 싶었습니다 그래서 당신이 생각할 수있는 주요한 것은 – 몇 가지 다른 일이 진행 중입니다 -하지만 중요한 건, 너 할 수 있니? 나무를 자르는 톱 소리가 들리는가? 그들이 큰 소리가 나면 파워 톱입니다 그러나 거기에는 아무도 없습니다

그래서 많은 센서를 현장에 투입합니다 센서는 기본적으로 여기에서 볼 수 있습니다 몇몇 태양 전지가있는 휴대 전화예요 시간이 지남에 따라 전원을 계속 유지해야합니다 그리고 나서 전화는 서로 메쉬 네트워크를 형성합니다

그리고 그들은 듣고 있습니다 그리고 우리는 무언가가 진행될 때 우리에게 알려줍니다 비디오 캡션 – 그래서, 한편으로는, 우리는 오랫동안 음성 인식을 해왔습니다 이것은 쉬워야합니다 그러나 다른 한편으로는, 자막 비디오 일반 음성 인식보다 조금 어렵습니다

마이크에 직접 대고 말하면 한 사람의 이야기가 있습니다 그건 꽤 쉬운 문제입니다 하지만 동영상이 있고 일어나는 일이 많고, 여러 사람이 말하는 한 번에, 자동차 충돌 등등, 나쁜 마이크 등등, 그것은 훨씬 더 어려워진다 그리고 백 가지 언어 – 그래서 우리는 그 문제를 해결하고 그것을 모두 자동화하려고했습니다 그리고 우리는 그 분야에서 성공을 거두었습니다

하드웨어와의 인터페이스 – 그래서 나는 내 휴대폰으로 많은 사진을 찍는다 나는 크고 무거운 DSLR로 많은 사진을 찍는다 그리고 크고 무거운 렌즈를 원하는 이유 중 하나는 그게 당신이 배경을 흐리게 수 있습니다 그러나 우리는 소프트웨어에서도 그렇게 할 수 있습니다 그리고 여기에서는 그것을 사용할 수있는 예제를 보았습니다

여기에 더 많은 예가 있습니다 우리는 Geena Davis Institute와 함께 일했습니다 그들은 영화 산업의 편향에 관심이 있습니다 그래서 우리는 얼마나 오래 화면에 누가 있는지 분석하고, 누가 말하기 역할을하는지, 그리고 나서 남성 대 여성간에 공정합니다 그리고 여기에서는 기본적으로 차트를 봅니다

그것은 여성이 선두 인 영화에서 말하는 것입니다 여성은 더 자주 나타납니다 많은 반면 남성이 선두 인 영화에서, 그것은 훨씬 더 비뚤어졌습니다 그래서 우리는 여기서 편견을 발견했습니다 그리고 그걸 구성 요소로 분해 할 수 있습니다

등등 그리고 더 많이 보아라 그리고 그것은 모두 자동으로 이루어졌습니다 이전에 그들은 매우 느린 진전을 보이고있는 반면 모든 프레임에 손쉽게 주석을 달아서 한 번에 모든 것을 할 수 있습니다 그래서 여기서 멈추고 질문을 위해 열어 보겠습니다

하지만 저는 그곳에 여기에 강력한 기회가 있습니다 당신이 할 수있는 많은 것들이 있습니다 그리고 우리는 진화를 계속하고있는 일련의 도구들을 가지고 있습니다 그리고 당신은 그 반쯤 만난다 너 내가 원한다고 말할 수 있어야 해

이 기술과이 방법론을 채택합니다 그리고 거기에 약간의 충돌이있을 것입니다 나는 많은 것을 발견하게 될 것이다 그건 나에게 새로운 것이지, 모두에게 새로운 것이있다 그러나 그것으로 우리는 많은 기회를 볼 수 있습니다

성공하고 일을하기 위해 너는 달리 할 수 ​​없었다 그렇다면 지금 질문에 대해 열지 않으시겠습니까? 네? 관객 : 가장 과대 평가되고 과소 평가 된 것은 무엇입니까? 현장에서 본 기계 학습의 응용 현재? 피터 노빅 : 글쎄, 후보자일지도 몰라 둘 다이 조수입니다 그래서 우리는 당신이 말하고 대화 할 수 있어야합니다 그리고 지금은 많은 사람들이 작은 연설자에게 중점을두고 있습니다

키보드가없는 탁자 위에 놓을 수 있습니다 화면이 없지만 당신의 말을들을 것입니다 그리고 이것들은 꽤 인기가있는 것으로 판명되었습니다 그리고 사람들은 그것들을 사고 말합니다, 아, 이거 정말 멋집니다 나는 음악을 연주하도록 요청할 수 있으며, 올바른 노래를 연주한다

그리고 날씨를 물어볼 수 있습니다 그리고 그것은 나에게 날씨를 알려준다 그리고 잠깐, 내가 물어볼 수있는 또 다른 것은 무엇입니까? [웃음] 따라서 그것이 할 수있는 일의 측면에서 큰 성공입니다 하지만 지금까지 실패한 점은 당신이 할 수있는 모든 것을 알아 냈습니다 반면에 다른 애플리케이션에서는 Google 검색에서 우리는 사용자에게 작품의 좋은 모델을 제시했습니다

그리고 작동하지 않는 것 기본적으로 몇 가지 키워드를 입력하면됩니다 해당 키워드와 관련된 페이지를 보여 드리겠습니다 사람들은 그 모델을 이해합니다 그리고 그들은 힘의 균형이 무엇인지를 안다

구글이이 금액을 할 것이라는 것입니다 그러나 사용자는 또한 정통한 사람을 데려 와야합니다 올바른 질문을하고 결과 페이지를 분석하는 것 이 비서들과 함께, 우리는 아직 거기에 있지 않습니다 그래서 우리는 그것이 사람과 같은 것이라고 말하는 것의 중간 정도입니다

당신은 사람과 이야기하는 방식으로 이야기합니다 그러나 우리는 또한 말하고 있습니다 글쎄, 실제로는 사람이 아닙니다 그것은 모든 것을 이해하지 못합니다 글쎄, 그때 그걸 어떻게 이해하니? 우리는 아직 명확하게하지 않았다

그리고 나는 시간이 지남에 따라 – 음, 하나, 능력이 확장됩니다 점점 더 많은 일을 할 수있게 될 것입니다 하지만 더 나은 사용자 인터페이스가 필요합니다 당신이 그것을 어떻게 생각해야하는지에 관해 말하는 것은 여기에서 그것이 할 수있는 일의 글쎄, 그건 자란 사람이 아니야

8 살이야 그것을 생각할 수있는 방법입니까? 아니, 그건 맞는 모델이 아니야 그래서 우리는 그것을 더 분명하게 할 어떤 방법이 필요합니다 고맙습니다 네? 청중 : 사람들이 해결하려고하는 문제가 있습니까? [알아들을 수 없는]? 피터 노르 비그 : 예, 문제가 있습니다

사람들이 기계 학습을 시도 할 것입니다 그리고 그들은 할 필요가 없다? 확실히 그럴 것입니다 그리고 유지하는 데 몇 가지 이점이 있습니다 가능한 한 간단합니다 따라서 중장비 기술을 사용하지 마십시오

쉬운 사람이 사용할 때 확실히 많은 예제가 있습니다 편익이 너무 작아서 편한 편이다 그것이 자동으로 아니더라도, 손으로 그것을 할 수 있습니다 그리고 아마도 손으로 그것을하는 비용이 있습니다

그러나 그것은 여전히 ​​큰 노력에 투자하는 것보다 쉽습니다 설명 형 문제도 있습니다 그래서 Google 검색을 할 때 알아 역사적으로 우리는 조금 저항했습니다 기계 학습에 너무 많은 통제권을 넘기는 것

그래서 우리는 항상 이런 생각을했습니다 검색에 관련되어 있으며 새로운 요소를 창출 할 것입니다 관심을 가져야하는 정보 또는 사용자가 상호 작용하는 방식 그들의 역사에있는 페이지와 함께 그것은 데이터입니다 우리는이 데이터를 사용하여 제품을 향상시킬 것입니다

그리고 우리는 종종 말을 잘하고, 우리가 알아 냈어 이제 이것을 추가 할 것입니다 얼마나 더 추가해야합니까? 음, 기계 학습 알고리즘 이러한 매개 변수의 올바른 값을 알아낼 것입니다 그러나 우리는 항상 말하기를 꺼려했습니다 모든 것을 하나의 깊은 학습으로합시다

네트워크 우리가 기계 번역에서 말하는 방식 그리고 나는 거기에 몇 가지 이유가 있다고 생각합니다 하나는 우리가 일종의 훈련을 만드는 것입니다 우리가 따라갈 때 데이터 그래서 자연스러운 데이터는 없습니다

이미지 처리를 원할 때, 세계에 자연의 그림이 있습니다 그러나 자연적인 예는 없다 우리가 만드는 검색 및 결과 이외의 검색 결과 그래서 우리가 그 데이터를 훈련한다면, 그리고 우리는 우리가하는 일을 바꿉니다 이제 데이터가 더 이상 유효하지 않습니다 우리를 걱정시키는 또 다른 문제는 우리가 몇 가지 단계를 앞두고 생각해야했던 것처럼 느껴졌다

왜냐하면 초기에 우리는 우리 직업이 웹 관찰하기 우리는 도서관 카탈로그와 같았습니다 다른 사람이 그 물건을 출판하고 우리는 단지 그것을 분류합니다 그 다음 우리는 우리가 실제로 그것과 상호 작용하고 있다는 것을 깨달았습니다 알고리즘을 변경할 때마다 웹 마스터는 우리가 한 일을 연구하고 그들이하는 일을 바꿀 수 있습니다

따라서 현재 데이터를 최적화 할 수는 없습니다 우리는 우리가 변화를 가졌다면 무슨 일이 일어날 지 말해야합니다 미래에 어떻게 될까? 그리고 그 알려지지 않은 미래에 대한 데이터는 없습니다 그래서 우리는 무슨 일이 일어나고 있는지 정말로 이해해야 만하는 것처럼 느꼈습니다 그리고 모든 것이 기계 학습 모델 일 뿐이라면, 미래가 어떻게 바뀔지 예측하는 것이 어려웠습니다

반면 몇 가지 기계로 손으로 작성한 코드라면 학습 된 매개 변수를 사용하면 더 쉽게 수행 할 수 있습니다 이것이 우리가 꺼려했던 한 가지 예입니다 그리고 이제는 시간이 지남에 따라 더 많은 기계 학습을 할 때, 우리는 더 많은 자신감을 갖게되고, 더 많이 몰래 움직이고 있습니다 검색 알고리즘으로 네? 관객 : [INAUDIBLE] 네, 그렇다면 데이터와 당신의 관계는 무엇입니까? 일반적으로? 그리고 그것은 어려운 질문입니다 대답이 하나도 없습니다

데이터를 어디에서 얻을 수 있는지 알아야합니까? 그것의 얼마를 필요로합니까? 그것이 어떻게 선별되거나 조작되어야합니까? 그리고 거기에는 여러 경로가 있습니다 그래서 때로는 데이터가 이미 거기에 있습니다 가서 찾아서 수집 할 수 있습니다 그리고 때로는 다른 사람들에게서 그것을 얻을 수 있습니다 때로는 그것을 만들어야합니다

그리고 많은 예제가 있습니다 초기 제품을 만들어 상호 작용을 얻으십시오 사용자와 그리고 나서 당신은 그런 종류의 부트 스트랩을합니다 그래서 우리는 예를 들어 음성 인식에서 그러한 작업을 수행했습니다 우리는 사람들의 예를 많이 갖고 싶었습니다

말하고 결과를 얻는 것 그래서 우리는 무료 서비스를 제공합니다 전화 번호에 대한 전화 번호 안내 그리고 사람들은 [비상업적 인] 사업을 요청할 것입니다 그리고 나서 우리는 답을 줄 것입니다

그리고 나서 우리는 말할 수 있습니다 우리는 올바른 답을 얻었는지 아닌지를 알아낼 수있었습니다 그들은 사업에 연결했기 때문에? 그래서 우리는 데이터 수집에 투자했습니다 그리고 많은 시간을 할애해야합니다 그렇다면이 질문은 무엇입니까? 익스텐트는 귀하의 특별 응용 프로그램입니다

다른 사람에게 일반적인 대 이제 Google 및 다른 회사를 볼 수 있습니다 이 사전 훈련 된 모델을 제공하고 있습니다 음성 인식이나 이미지 인식 또는 텍스트 작업 가공 등등 세상의 모든 것에 그리고 한 가지 접근 방법은 그것을 사용하는 것입니다

또 다른 한가지는 그것을 사용하는 것입니다 일부 데이터를 추가하여 수정하십시오 그리고 다른 접근 방법은, 아니요, 제 신청서는 그것은 그것을 사용하는 것이 전혀 도움이되지 않는다는 것이 었습니다 내 데이터로 처음부터 시작해야합니다 그리고 그 질문에 대한 답은 없습니다

너 스스로 조사해야 해 올바른 경로가 무엇인지 확인하십시오 곧 관객 : 그럼 해석 가능성 조각에, 기계 학습에 대해 어떻게 생각하십니까? 인간 지식의 진보와 관련이 있기 때문에? 망막보기 에서처럼 의사 마치 눈의 모형처럼 결과를 얻는다 개선되었지만 실제로는 그렇지 않습니다 그들은 실제로 그 지식을 가지고 있지 않습니다

그것에 대해 어떻게 생각하세요? 네 그래서 그것은 좋은 질문입니다 그래서 보자 그래서 이것은 당신에게 힌트를줍니다 그리고 저는 우리가 실험을하는 방법이 많이 있다고 생각합니다

데이터를 얻습니다 우리는 그것을 이해하지 못합니다 그리고 여러분은 돌아가서 새로운 이론을 만들어야합니다 그리고 저는 항상 그렇게 생각합니다 그리고 실험과 이론의 도약이 있습니다

그리고 지금은 기계가 달라질 수 있습니다 학습은 훨씬 더 강력한 도구를 제공합니다 실험을하기 어쩌면 과거에는 많은 영리한 인간이 있었을 것입니다 그리고 이론은 실험을 유도했을지도 모른다

보다 더 자주하지 그러나 많은 발견은 항상 있습니다 누군가가 말 했잖아, 웃긴다 나는 이론이 있다고 말하는 것보다 예기치 않은 결과가 있습니다 이제 설명 할 수 있을까요? 그래서 기계 학습은 그 호기심을 일으키는 데 도움이 될 것입니다

그것은 설명 자체를 도울 수 있습니까? 저는 이것이 우리에게 많은 개선이 필요한 부분이라고 생각합니다 그래서이 차트 중 일부를 보여주었습니다 데이터와 결정 경계의 공간을 볼 수 있습니다 등등 그리고 그것은 당신에게 약간의 아이디어를줍니다

그러나 더 나은 대화를 나누려면 더 나은 도구가 필요합니다 기계 학습 알고리즘 그것이 실제로하고있는 것을 이해합니다 그리고 다른 문제는 사람들이 혼란 스럽다는 것입니다 때때로이 이해력의 문제와 함께, 그들은 알고리즘을 비난한다 문제를 비난해야합니다

이해할 수있는 것들 간단한 용어로 설명 할 수있는 것들입니다 그래서 제가 수표 책의 균형을 잡고 싶다면, 나는 옳은 대답이 무엇인지 묘사하는 방법을 안다 그리고 나는 그것을하기위한 프로그램을 작성하는 방법을 안다 그리고 정확하게 정확하게하기 위해서는 복잡 할 수도 있습니다 하지만 본질적으로 그것은 간단한 문제입니다

그래서 그것을 해결하는 코드는 이해할 수 있어야합니다 프로그래밍 언어와 상관없이 또는 당신이 그것을 쓰는 데 사용하는 시스템 누군가의 얼굴을 알아보는 반면, 그것은 본질적으로 어려운 문제입니다 종종 정답이 정답이 아닐 수도 있습니다 여기 얼굴이 있습니다

그게 누구에게 속한거야? 전문가들은 옳은 대답에 동의하지 않을 수 있습니다 아무도 정답이 없습니다 그리고 둘째로, 그것을 발견하는 과정 의식이 없다, 말할 수있는 전문가가 없다 이것이 제가 그 결정을 한 방법입니다 오히려, 나는 그것을 어떻게했는지 모른다

내 잠재 의식의 정신은 내 의식의 마음보다 그것을했다 그래서 사람들은 기계 학습 알고리즘을 비난합니다 그 두 가지 문제를 해결하지 못했을 때 알고리즘의 잘못 사실이야 그 문제는 시작하기가 어려웠다

관객 : 안녕하세요 나는 아주 기본적인 질문을 가지고있다 기계 학습 문제를 어떻게 식별합니까? 특정 [부적절한] 문제가 있습니다 [INAUDIBLE]에는 여러 장소가 있습니다 기계 학습을 적용 할 수 있습니다

그래서 나는 아직도 실제 사용법을 찾는 방법을 알아 내고있다 기계 학습을위한 케이스 네 내 생각 엔 그게 경험이 될 것 같아 그래서 우리 제품 관리자가 사진 팀이 문제를 확인하지 못했습니다

그들은 그것이 가능하다는 것을 몰랐다 그들이 시도 할 수있는 그래서 당신은 어떤 비슷한 문제에 대해 최신 정보를 입수해야합니다 사람들이 작업 해 왔습니다 그래서 오늘 내가 너에게 보여주고 싶었던거야

다양한 가능성, 단지 여기에 대해 생각하게하려면 사물의 종류가 있습니다 할 수 있습니다 그래서 당신은 그 아이디어를 발휘할 필요가 있습니다 여기 다른 누군가가 한 일이 있습니다 이것은 내가하고있는 것과 비슷하게 보입니다

그리고 나서 당신은 그것을 분석 할 수 있어야합니다, 말하자면, 거기서 성공하려면 무엇이 필요합니까? 적절한 종류의 데이터가 필요합니다 올바른 종류의 객관적인 기능이 필요합니다 나는 사용자에게 그 유대 관계를 필요로하고 그들에게 유용 할 것이다 따라서 제품을 정의 할 수있는 단계를 파악합니다 그리고 더 자주 당신이 그것을할수록, 당신은 그것에 나아집니다

연설자 1 : 우리는 한 번 더 질문 할 시간이 있습니다 네 관객 : 실제로 얼마나 자주 실행 가능합니까? 모델을 유용하게 실행되는 것으로 축소 너무 복잡하다 대 휴대 전화에 컴퓨팅을 위해 클라우드로 이동할 필요가 있습니까? 피터 노르 비그 : 그래, 우리는 확실히 지출하고있어 더 많은 시간을 할애해야합니다 다행히도 많은 모델이 훨씬 쉽습니다

그들이 훈련하는 것보다 달릴 수있다 따라서 교육 과정은 복잡합니다 하지만 전화로 가져올 수 있다면, 나는 다양한 것들이 있다고 생각한다 그것들은 꽤 잘 덮여있다 폰은 정말 강력합니다

이제는 항상있을 필요가없는 한 지금 관객 : 예, 짧은 파열에있는 한 상호 작용의 피터 노르 비그 : 우리는 아직 그 지점까지 도달하지 못했습니다 하루 종일 휴대 전화에서 동영상을 실행할 수 있습니다 길고 모든 장면을 분석합니다

오래 전에 배터리가 소모됩니다 그러나 우리는 그 방향으로 일하고 있습니다 그래서 저는 여러분이 기본적으로 답을 말해야한다고 생각합니다 나는 그 일을 할 수 있습니다 그러면 문제는 어떻게 작동하게합니까? 그렇다면 모델을 컴파일하는 과정은 무엇입니까? 그리고 그것을 충분히 작게 만들어서, 너무 배고파하지 않게 만드시겠습니까? 얼마나 자주 모델을 업데이트해야합니까? 클라우드에서 다시 계산하고 다운로드하십시오

무엇을 다운로드합니까? 프라이버시 문제는 무엇입니까? 전화에서 실행되는 모델을 사용하면 당신이 지주의 책임으로부터 면제받을 수 있다는 것입니다 누군가의 개인 정보 전화가 켜져 있다면 그들의 문제가 아니라 당신의 문제 그리고 당신은 고소 당할 수 없습니다 해당 데이터를 복구 할 수는 없습니다

그러나 단점은 데이터를 수집하지 않는 경우입니다 당신은 개선 가능성을 이용하지 않습니다 그래서 많은 연구가 있습니다 지금 당신이 매개 변수를 공유 할 수있는 방법에 드러내지 않고 네트워크를 위해 밑에있는 데이터의 비밀 그리고 나는 그것들이 진짜 문제라고 생각합니다

언제 어디서 실행되는지에 대한 아키텍처 업데이트되고 데이터 흐름은 어떻게됩니까? 하지만 만약 내가 그 문제를 해결할 수 있습니다, 나는 그것을 전화로 실행할 수 있습니다 관객 : 차가워 요 고맙습니다 알겠습니다 네

고맙습니다 [박수 갈채] [음악 재생]

AI Corporations and Communities in Africa with Karim Beguir & Muthoni Wanyoike: GCPPodcast 152

[음악 재생] MARK MANDEL : 안녕하세요 에피소드 152에 오신 것을 환영합니다

주간 'Google Cloud Platform 팟 캐스트'에서 내 이름은 마크 만델 (Mark Mandel)이고 언제나처럼, 나는 내 동료 인 멜라니 워릭과 함께 안녕, 멜라니 멜라니 워릭 : 안녕! MARK MANDEL : 안녕하세요 우린 같은 방에있어 마크 AND델 : 우리는 같은 방에 있습니다

멜라니 워릭 : 나는 언제 알지 못해 우리가 실제로 같은 방에 마지막으로있을 때 약 3 ~ 4 주 전쯤이었을 것입니다 멜라니 워릭 : 오래 전이었습니다 MARK MANDEL : 그랬습니다

이번 주에는 꽤 흥분됩니다 너는 너의 놀라운 에피소드 중 또 하나를 가져왔다 또는 당신이 아프리카에있는 동안 가지고 있었던 인터뷰 멜라니 워릭 : 나는 그렇다 이것은 우리가 실제로 찍은 마지막 인터뷰입니다

내가 케이프 타운에서 끝났을 때 – 구체적으로, 스텔 렌 보쉬 (Stellenbosch) – 깊은 학습 인다 바 (Deep Learning Indaba)에서 그리고 우리는 특별히 Karim과 Muthoni를 만났습니다 둘 다 InstaDeep 밖에 있고 그들은 우리에게 말했습니다 그들의 회사에 대해 조금은, 뿐만 아니라, 일반적으로 AI 회사는 아프리카, 그리고 건축되고있는 공동체들 왜냐하면 Muthoni, 특히, 그녀가 설립 한 공동체가있다

나이로비 그래서 우리는 그것에 들어가게 될 것입니다 그러나 언제나처럼, 우리는 그주의 시원한 것들로 시작합니다 우리는 이번 주에 대한 질문으로 끝날 것입니다 그리고 마크 (Mark)에서 온 모든 질문은, 특정 GKE 클러스터를 만들고 싶다면 주요 Kubernetes 버전 – 아니면 그냥 최신 – 명령 줄 도구를 사용하면 어떻게 할 수 있습니까? MARK MANDEL : 어떻게 하죠? [드라마틱 음악] 멜라니 워릭 : 아닙니다

나는 모른다 그러나 잘하면, 알다시피, 우리가 어떻게하는지 말해 줄 수 있습니다 괜찮아 그래서, 이번 주에 멋진 것들 우리 둘 다 발견 한 기사로 쫓아 낼 것입니다

그리고 실제로 Mark가 발견했습니다 그리고 이것은 제목이 붙여진이 기사입니다 "다른 행성에는 생명체가 존재합니까? Google 클라우드는 NASA의 프런티어 개발 연구소와 협력하고 있습니다 찾아야한다 " 실제로 흥미 롭습니다

이 두 가지 접근법에 대해 조금 이야기합니다 그들은 생물학 연구로 분해했습니다 먼 행성들 한 가지 접근 방식은 특히 가능한 분위기를 모델링 먼 행성에 존재할 수 있습니다 그리고 270,000 가지가 넘는 시뮬레이션 분위기를 분석했습니다

Compute Engine에서 그리고 그들이했던 모델링은 실제로 GitHub에서 공유 한 코드가 있습니다 그것은 PyAtmos라고합니다 블로그 게시물에는 체크 아웃 할 수있는 링크가 있습니다 그리고 나서 두 번째 접근법은 그들이 실제 스펙트럼 데이터 생성 300 만개 이상의 육지 외계 행성 세트 기계 학습 그래서 우리는 아직 충분한 데이터가 없습니다

하지만 우리는 엄청난 양의 시각적 이미지를 가지고 있습니다 서로 다른 위성에 의해 포착 된 존재하고, 그 후에 그들은 상당량을했다 좋은 모델을 만들기 위해 도움을주기 위해 시뮬레이션 잠재적으로 생명력을 가질 수있는 암석 지형을 확인합니다 그 데이터 세트는 계획하고 있습니다 가까운 장래에 언젠가 풀어주기 위하여, 그리고 당신은 그것을주의 깊게 관찰 할 수 있습니다 하지만이 블로그를 체크 아웃해야합니다

흥미 롭군 그리고 그 공간에서 무슨 일이 벌어지고 있는지 듣는 것만으로도, 기계 학습 기술이 어떻게 중요한 역할을하는지에 대해 설명합니다 좋아요 그래, 맞아 마크 AND델 : 멋지다

이번 주 내 다음 멋진 일에, 우리 둘다 실제로 게임과 인공 지능을 결합합니다 정말 멋지다 멜라니 워릭 : 특별합니다 MARK MANDEL : 특별합니다 커뮤니티 회원 중 한 분이 계시 며 사과 드리겠습니다

나는 네 이름을 망칠거야 나는 그것이 [INAUDIBLE]이라고 가정 할 것입니다 아마 가까울 것입니다 잘 했어 마크 맹델 : 나는 그걸로 갈거야

그들은 데이터 과학자입니다 그들은 "스타 크래프트 II" 학습 환경 프로젝트 그래서 당신이 그것에 익숙하지 않은 경우, 그것은 DeepMind에서 나오는 프로젝트입니다 PySC2는 DeepMind의 Python 구성 요소입니다 기본적으로 "스타 크래프트 II"학습 환경

블리자드 엔터테인먼트의 "스타 크래프트 II"의 기계 학습 API 파이썬 환경 기본적으로 지능형 에이전트를 구축 할 수 있습니다 "스타 크래프트 II"를 재생하는 게임입니다 멜라니 워릭 : 그것은 모두이 노력의 일부입니다 딥 마인드가 일했던 것처럼 지금 당장 AlphaGo에서 그 공간의 일부인 "Dota 2"를 출력합니다

AI 강화, 강화 학습 탐구 기계 학습 공간의 알고리즘 이 게임을하고 머신을 플레이 할 수 있어야한다 본질적으로 인간보다 낫다 그러나 이것은 실험 할 수있는 장소입니다 실험 할 수있는 도구가 포함되어 있습니다 MARK MANDEL : 그렇습니다

이번주의 멋진 것은 단지 그게 시원하기 때문에,하지만 [INAUDIBLE] 실제로 해냈습니다 만약 당신이 이것을 듣고 당신이 좋아한다면, 그 소리가 크고, 나는 그걸 가지고 놀고 싶다 그들은 당신이 통과 할 수있는 코드 랩을 썼다 환경에 대해 배우고, 환경을 설정하는 방법, 그것을 얻는 방법, 기본적으로 자신의 에이전트를 빌드하고 실행하십시오 슈퍼 차갑다

정말 멋져요 음, 너 "스타 크래프트"게임이 필요하지만 라이센스가 필요하지 않습니다 실제로 그것을 설정하고 실행하십시오 정말 좋습니다 멜라니 워릭 : 나는 너를 어떻게 이겨낼 수있는 걸 좋아해

게임과 함께 기계 학습 측면 우리가 언급하고 싶은 주중의 또 다른 멋진 일 추가 모듈이 있습니다 기계 학습 과정에 추가되었습니다 저 밖에 특히이 모듈은 공정성 및 기계 학습에 중점을 둡니다

그래서 당신이 이것에 관심이 있다면 이것을 확인해야합니다 나는 올해 이것을 많이 가져왔다 우리는 기계에 대해 잠시 팟 캐스트를했습니다 학습 편견과 공정성 따라서이 모듈은 탐색에 도움이되는 멋진 모듈입니다

다른 유형의 인간 편향을보고 교육 자료에서 확인할 수 있습니다 그리고 그것을 식별하고 평가할 수있는 전략을 제공하는 데 도움이됩니다 그들의 효과, 그래서 당신은 기계 학습에서 볼 수 있습니다 단기 특강 확인 해봐 좋아요

굉장해 우리는 훌륭한 개발자 옹호자 중 한 명을 보유하고 있습니다 팀원, Martin Omander 그들은 처음부터 서버 목록을 작성했습니다 클라우드 기능이있는 간단한 마이크로 서비스

이것은 분명히 하나입니다 그들은 회사와 함께 떠오르는 현실적인 접근 방식을 취합니다 어떤 일을 할 필요가 있습니다 -이 경우, 문서 나열 및보기 – 그런 다음 가져 가라 OK 클라우드 기능으로 어떻게 할 수 있습니까? 그 흐름은 어떤 모습일까요? 예를 들어 이야기하는 사이에 어떻게 작동할까요? 다른 팀원들과 그들이 어떻게 협력 할 것인가? 이에? 실제로 실제로 좋은 단계별 교육입니다

이러한 종류의 마이크로 서비스를 구축하는 방법에 대해 멜라니 워릭 : 그리고 마지막으로 그 주간의 시원한 것에서 나는 깊은 학습 Indaba에 있었고, 나는 Emily Muller와 Rebone을 만났습니다 자신의 팟 캐스트를 구축하고있는 Meraba "위에 놓기" 그리고 그들은 Omoju Miller와 함께이 녹음을했습니다 Nando de Freitas (기계 학습에 관해 말한) 회의에 관해서 이야기했습니다 훌륭한 포드 캐스트이자 멋진 비디오입니다

그래서 우리는 링크를 포함시켜주고 이번 주 동안 우리 포드 캐스트에서 외쳐 MARK MANDEL : 굉장해 그래, 맞아 우리가 말하고 있다고 생각하면 적절하다고 생각됩니다 이번 주에 깊은 학습에 대해서

알았어, 마크 나는 우리가 우리 인터뷰에 들어갈 때라고 생각합니다 MARK MANDEL : 해보자 멜라니 워릭 (MELANIE WARRICK) : 오늘의 포드 캐스트에서, 나는 Karim Beguir와 Muthoni Wanyoike가 둘 다 InstaDeep에 대해 이야기하기 위해 저와 합류했습니다 아프리카 지역 사회 구축

두 분 모두 가입 해 주셔서 감사합니다 MUTHONI WANYOIKE : 우리를 초대해 주셔서 감사합니다 카림 베거 : 고마워 멜라니 워릭 : 우리는 실제로 이것을 다른 것으로 기록하고 있습니다 우리가 현재 녹음하고있는 우리 포드 캐스트의 현재 일어나고있는 딥 러닝 인다 바 (Deep Learning Indaba) 남아프리카의 스텔 렌 보쉬 (Stellenbosch)

그러니 우리가 보통처럼 시작하겠습니다 카림, 우리에게 말해 줄 수 있니? 너 자신에 대해서 조금? 카림 베거 : 물론 그래서 나는 절반의 튀니지 인이고 절반은 프랑스 인이다 나는 실제로 사하라에 가까운 작은 도시에서 자랐다 "스타 워즈 (Star Wars)"의 모래 행성처럼 타타 위인 (Tataouine)이라고 불렀습니다

멜라니 워릭 : "스타 워즈!" 카림 베거 : 맞아 그리고 말 그대로, 나는 자라면서 성장했습니다 점진적으로 졸업 할 길을 열었습니다 프랑스의 콜 폴리 테크닉, 궁극적으로 미국의 콜 폴리 테크닉, 내가 뉴욕의 Courant Institute에있는 곳 대학 그리고 과정을 통해, 나는 항상 다시 돌려 주겠다는 생각이 들었습니다

어떤 시점에서 아프리카로 돌아와 흥미롭고 유용한 것을 할 수 있습니다 그리고 이것이 나의 선택을 오늘날의 InstaDeep으로 인도했습니다 좋았어 Muthoni, 너에 대해 조금 말해줘 MUTHONI WANYOIKE : 네, 고마워요

나는 케냐의 작은 마을 Nyahururu에서 자랐습니다 그 후 니 에리 (Nyeri)에있는 학교에 다녔습니다 나이로비에서 일하기 시작했습니다 저는 InstaDeep에서 일합니다 나이로비에서 팀을 이끌고 아프리카로 확장하는 전략 아프리카 전역의 인재를 양성하고 있습니다

네 좋았어 좋습니다 제가 언급했듯이, 이것은 현재 녹음 중입니다 깊은 학습 Indaba

나는 우리가 그것을 정확히 발표하지 않을 것이라는 것을 안다 동시에, 그러나 무엇이 있었는지 이 회의에서 당신에게 정말 귀중한 경험 지금까지? 카림 베거 : 열정의 수준이 환상적이라고 생각합니다 스피커의 품질은 정말 최고 수준입니다 저는 이것을 NIPS로보고 싶습니다 당신과 동일한 품질과 스피커 NIPS를 제외하고는, NIPS 5,000 명 또는 6,000 명의 참석자가 있으며 여기에 훨씬 더 작은 청중

그래서 나는 그것이 예외적 인 기회라고 생각한다 아프리카에서 AI 커뮤니티를 실제로 구축하기 위해, 우리는 깊은 학습 Indaba에 매우 감사해야합니다 팀이하는 일과 변화에 대한 팀 지상에 만들고있다 좋았어 Muthoni, 귀중한 경험은 무엇입니까? 너를 위해서? 무토니 WANYOIKE : 나를 위해, 나는 생각한다

올해 인디애나 계획의 일환으로, 나를위한 주요 인수는 단지 우리가 소통하고있는 모든 사람들을 보아왔다 함께 여러 달 동안 함께, 나오고있는 연구의 질을 볼 수 있습니다 아프리카의 매우 흥미로운 포스터가 제시되고 있습니다 매일뿐만 아니라 매우 흥미로운 세션 예를 들어, 기계 학습 기술을 토대로 구축하려면, 또는 좋은 종이 기술을 쓰는 방법, 그 종류의 경험은 정말 좋았습니다

좋았어 Muthoni, 당신이 실제로 함께 모이는 것에 관여한다는 것을 압니다 이 회의 어떻게 참여 했니? MUTHONI WANYOIKE : 매우 흥미 롭습니다 그래서 제 동료, 나이로비의 공동체 공동 주최자 작년에 인다 바에 왔고 기획위원회 이미 호스트하기로 결정했다

2019 년 케냐의 인다 바 그녀가 나와 함께 Indaba의 비전을 공유했을 때 아프리카 인들의 참여를 강화하는 것입니다 기계 학습에서, 나는 즉시 팔렸고, 그것이 나이로비의 공동체와 우리가하는 일이기 때문입니다 그래서 우리는 Shakir와 이야기를 나누었습니다

나머지 팀은 우리는 서로를 좋아하는 것처럼 보였고 우리는 올해 인다 바 계획 과정을 시작했습니다 나머지는 역사입니다 이제 당신은 들어 왔고 결코 떠나지 않을 것입니다 카림 베거 (KARIM BEGUIR) : 그렇습니다 내년에는 1,000 명을 수용 할 것입니다

그래서 그것은 흥미 진진해야합니다 오, 정말 흥분 되는군 카림, 당신이 연설하기 때문에 올해에 왔습니다 당신은 우리에게 무엇에 대해 조금 말할 수 있습니까? 무슨 소리 야? 카림 베거 : 네 그래서 제 세션은 목요일에 인생에 관한 것입니다

컴퓨터 학습 시작의 그리고 목표는 실제로 통찰력을주기위한 것입니다 벤처 기업을 구축하는 데 필요한 것, 그러나 구체적으로, 기계 학습 시작, 특히 아프리카에서 그래서 약간의 지식을 공유하기를 고대하면서, 또한 AI에 대한 인식을 제고한다 기회에 대한 커뮤니티 아프리카에 인공 지능이 있다는 것입니다 멜라니 워릭 : 기회는 무엇입니까? 카림 베거 : 엄청난 재능을 가지고 있다고 생각합니다

그리고 전달하고자하는 통찰력 중 하나 오늘의 세계에서, 그것은 실제로 고품질의 기계 학습을 구축 할 수있다 아프리카에서의 신생 기업 모든 지식의 원천이 있습니다 고품질 멘토링의 출처 지금 깊은 학습 인다 바 (Deep Learning Indaba)와 같은 행사가 있습니다 그래서 정말로 새로운 세대를 만드십시오

가능한 일을 인식하고 열정을 공유하십시오 우리가 경험 한 경험들 InstaDeep에서 끝났다 멜라니 워릭 : 그리고 우리에게 조금 말 해주세요 InstaDeep의 기능, 시작 방법 KARIM BEGUIR : 따라서 InstaDeep은 AI 시작입니다

다리를 건너는 아프리카의 AI 스타트 업입니다 선진 AI 연구와 대기업 사이의 격차 실제 비즈니스 요구 사항이 있습니다 그래서 우리가 해낸 방식은 우리 자신의 연구를 개발하는 것입니다 설명하고 지역 사회에 전달할 수있는 능력, 회사에 AI가 어떻게 이익을 얻을 수 있는지 그래서 그것은 우리의 경험이었습니다 그리고 그렇게함으로써 우리가 발견 한 것은 – 또한, 이 프로젝트는 튀니지 북부 아프리카에서 시작되었습니다

말 그대로 부트 스트랩으로 시작되었습니다 공동 창업자 인 Zora와 저는 두 대의 랩톱으로 시작했습니다 열정이 넘칩니다 우리가 발견 한 사실은 그것이 실제로 유망한 아프리카 인재를 유치 할 수 있음 AI에서 경쟁력있는 수준으로 아프리카와 그 이후의 기업에 실질적인 가치를 부여 할 수 있습니다 그것은 주요 테이크 아웃이며, 그것은 또한 나의 주요 메시지입니다

우리는 아프리카에서 인공 지능에 대해 낙관적이어야합니다 기회는 엄청납니다 그리고 이것이 우리의 의제라고 생각합니다 그 모든 메시지를 전달하고 넓게 퍼 졌는지 확인하십시오 MELANIE WARRICK : 확실히 숨겨진 의제는 아닙니다

음, InstaDeep의 측면에서, 우리가 오프라인에서 이야기 할 때, 네가 다섯 곳의 다른 장소에 있다고 나 한테 말했어 카림 베거 : 맞아 멜라니 워릭 : 그리고 그 위치는 어디 있습니까? 카림 베거 : 처음에는 튀니스에서 시작했습니다 아프리카에는 이제 세 곳이 있습니다 우리는 케냐에서 작전 중입니다

그것은 Muthoni가 이끄는 팀입니다 우리는 또한 나이지리아의 라고스에서 운영됩니다 또한 파리와 런던에도 사무소가 있습니다 그래서 다섯 곳, 그리고 앞으로 기대 아프리카에서 우리의 입지를 계속 확장하십시오 좋았어

Muthoni, 어떻게 참여하셨습니까? 무 튜니 WANYOIKE : 내 커뮤니티 작업을 통해 카림은 구글 런치 패드이기 때문에 나이로비를 방문했다 가속기 멘토 그래서 나이로비는 꽤 도시입니다 즉시 사랑에 빠지십시오

그래서 그는 나이로비에 설립하는 것에 관심이있었습니다 지역 사회 내의 사람들과 만남을 가졌습니다 그래서 제가 카림을 만났습니다 아프리카에서 인공 지능을 성장시키는 그의 비전에 팔려 나갔고, 10 억 명의 사람들에게 기회를 제공한다 흥미 진진한 프로젝트를 수행 할 수 있습니다

그리고 나머지는 역사입니다 나머지는 역사, 이제는 그룹과 함께 일하고 있습니다 측면에서 – 당신은 Google Launchpad에 대해 언급했습니다 촉진 신경 Google 개발자 전문가 인 GDE임을 알고 있습니다

나는 또한 우리가 이것에 대해서 이야기했다는 것을 알고있다 귀하가 Google Cloud 제품을 사용하고 있다는 것을 의미합니다 현재 사용중인 제품은 무엇입니까? InstaDeep에서 사용 하시겠습니까? KARIM BEGUIR : TensorFlow는 AI의 주요 플랫폼입니다 대단히 강력한 도구입니다 사람들이이 공구가 얼마나 강력한 지 알지 못한다고 생각합니다

무료로 액세스 할 수있어서 정말 감사합니다 Google이 제공 한 그래서 MLGD로서의 나의 경험에서, Google이하는 모든 작업에 감사 드렸습니다 특히, 예를 들어, 어시스턴트 엄청나게 강력하고 고급 인공 지능 모든 신생 기업이 이용할 수 있습니다 나는 또 하나를 언급했다 나는 그것이 매우 인상적이라고 생각한다

Auto Machine Learning, AutoML입니다 그것은 획기적인 제품입니다 전 세계의 신생 기업을 효과적으로 지원합니다 아프리카를 포함하여 고품질 인공 지능을 이용할 수 있도록 확장 된 팀이 필요하지 않습니다 Launchpad Accelerator Africa도 참여했습니다

Google과 협력하여 생태계 구축 지원 엄청난 기회였다 나를 위대한 사람들을 만날 수 있습니다 그리고 그 채널들을 통해 나는 Muthoni를 만났습니다 그리고 또한 지금 확신하고 있습니다 아프리카에서 땅을 변화시킬 때입니다

그래서 그것은 나를 격려했고 촉매 역할을했습니다 처음에 내가 가진 시야로 좋았어 그리고 커뮤니티에 대해 언급하고 있습니다, Muthoni 나는 조금 이야기하고 싶다 특히 당신이 달리는 지역 사회, 그것은 나이로비의 기계 학습 여성입니다

그 공동체에 어떻게 참여 했습니까? MUTHONI WANYOIKE : 2 년 전 캐슬린 지역 사회 나는 방금 저의 학부 졸업생이었습니다 정부에서 일하고 있었다 케냐 오픈 데이터 이니셔티브 그리고 빅 데이터, 인공 지능 및 모든 주변에 많은 유행어가있었습니다

그 그리고 많은 기대가있었습니다 우리의 업무 범위에서 그래서 우리는 많은 새로운 기술을 배우고 있었고, 그러나 나는 일하는 사람들과 연결될 필요성을 느꼈다 비슷한 공간에서 아이디어 나 자원을 공유 할 수 있습니다 아니면 전 세계에서 무슨 일이 일어나고 있는지 알면됩니다

그래서 그게 내가 여자에 대해 알게 된거야 기계 학습 및 데이터 과학 커뮤니티에서, 그들에게 다가 갔고, 그들은 우리가 나이로비에 도착하는 것을 도울 수있어서 기뻤습니다 그 다음엔 전화를 했어 돕기에 관심이있는 자원 봉사자들을 위해 지역 사회를 건설하십시오 2 년 후 우리는 많은 워크샵을 진행했습니다

파이썬과 R을 사용하는 방법에 대한 입문 수업부터 TensorFlow의 고급 수업 및 기타 고급 AI 개념 매우 흥미 롭습니다 범위 수업에 참석하는 사람들의 예를 들어 대학 강사가 있습니다 파이썬이나 13 살짜리 소녀를 배울 것입니다 프로그램하는 법을 배우러 왔습니다

그래서 매우 흥미로운 경험이었습니다 나이로비에 그 공동체를 짓는 것 멜라니 워릭 : 지역 사회는 현재 얼마나 큰가요? MUTHONI WANYOIKE : 우리는 만남에 1,800 명의 사람들이 있습니다 우리는 아마 700 명을 만났을 것입니다 그래서 거대한 그룹입니다

그리고 우리가 일을하는 방법은 자원 봉사로 이끌었습니다 그래서 많은 사람들이 우리에게 올 것이다 지역 사회의 필요성을 확인하고, 우리는 그들이 지역 사회 내의 프로젝트로서 그것을지지하게했습니다 멜라니 워릭 : 훌륭합니다 MUTHONI WANYOIKE : 그래

내가 언급 할 흥미로운 하나 우리는 국제 수업을 축하하는 마스터 클래스를했습니다 3 월의 여성 파이썬과 R에서 마스터 클래스 소개를했습니다 참석 한 여성들은 매우 흥미를 느꼈습니다 그리고 그 중 두 명은 자원 봉사를 통해 그 계급을 키웠고, 이제 그들은 4 개월에 걸쳐 코스를 진행하고 있습니다

나이로비와 케냐에 약 30 명의 여성 클래스가 있습니다 원격으로 자신의 코스를 수행하고, 그리고 나서 매주 피드백과 결과를 제공하고, 지식과 기술 공유 멜라니 워릭 : 그들은 무엇을 사용 했습니까 함께 원격으로 작업하는 것을 돕기 위해? MUTHONI WANYOIKE : 그들은 여유를 사용합니다 그래서 그들은 수업과 여유를 조정합니다 우리는 해들리 위컴 (Hadley Wickham)의 "R for Data Science" 그 다음 그것을 나누어서 커리큘럼을 만들었습니다

4 개월 동안 퍼졌다 그리고 우리는 작업을 조정하기 위해 슬랙 (Slack)을 사용합니다 GitHub로서, 왜냐하면 많은 사람들이 또한 GitHub을 사용하지 않았으며 예를 들어 일자리를 신청할 때 정말 중요합니다 이제는 프로젝트를 업로드 할 수 있습니다 거래 할 때 자신의 작품을 선보일 수 있습니다

예를 들어 신병 모집 자 멜라니 워릭 : 알아 나는 얼마나 중요한지 꽤 감명 받았다 GitHub가 공간에 등장했습니다 그리고 사람들과 이야기 할 때, 나는 그들 모두는 – 그리고 여기에도, 나는 그것이 얼마나 중요한지 사람들에게 이야기하고 있었다

GitHub에 게시하는 것입니다 완벽해질 때까지 기다리지 마십시오 그걸 꺼내서 네가 뭔가 작업 글쎄요, 당신은 기계 학습에서 다른 여성들과 협력하고 있습니까? 커뮤니티 또는 나이로비의 다른 커뮤니티 또는 나이로비 외부? MUTHONI WANYOIKE : 우리는 그렇게합니다 예를 들어, 커뮤니티를 가지고있는 우리 중 나이로비에서 지금 우리는 지역 사회를 가지고 있습니다

라고스에서 기계 학습의 여성 우리는 또한 데이터 과학을하는 소수의 여성들과도 협력했습니다 우간다에서의 수업 그리고 Indaba에서 나는 아주 많은 여자들을 만났습니다 유사한 커뮤니티를 갖게되어 매우 기쁩니다

그들의 나라에서 여성 스킬을 키우는 아주 흥미 진진한 시간들 아프리카에서 기계 학습 좋았어 네가 그걸 만난 것처럼 말한 것 같아

그래서 사람들이 그룹을 탐색하거나 체크 아웃하려는 경우, 그것이 그들이 그것을 발견 할 수있는 곳입니다 카림, 공동체 란 무엇인가 우리는 이미 조금 이야기했다 이것에 대해,하지만 당신에게 그게 무슨 뜻입니까? 이러한 유형의 커뮤니티 및 귀사와 관련하여, 당신이 AI에 가지고있는 관심사는 무엇입니까? 카림 베거 (KARIM BEGUIR) : 매우 중요하다고 생각합니다 커뮤니티가 AI 기회를 이해하도록 돕습니다

그래서 우리가하는 일은 실제로 그 노하우를 가져오고 사람들을 돕는 일 중요한 문제에 집중하십시오 오늘날, 문제는 정보 부족이 아니라고 말할 수 있습니다 이것은 정보 오버 플로우와 같을 수 있습니다 그래서 내가하는 일의 중요한 부분은 내가 스승이라는 것입니다 또한 우리는 TensorFlow 모임을 매우 적극적으로 조직합니다

우리는 hackathon을 조직합니다 한 달 전에, 나는 라고스에서 해 커톤을 조직했다 나는 정말로 재능에 감명 받았다 젊은 학생과 엔지니어의 열정이 거기에 있습니다 따라서 우리가하는 일 중 중요한 부분은 인식을 높이는 것입니다

정신적 인 생각을 버리세요, 오, 당신은 아프리카에서 세계 정상급이 될 수 없습니다 아프리카의 AI 스타트 업으로서 최고 수준의 경쟁을 펼칠 수 있습니다 그리고 우리는 정말 건설적인 교류를했습니다 여기 Nando Freitas의 Deep Learning Indaba에서, DeepMind의 David Silver가 있습니다 그리고 그들의 피드백은 정말로 매우 긍정적이었습니다

이 덕분에 우리는 계속해서 메시지는 모두 아프리카를 통해 전달됩니다 그 인공 지능은 진정한 기회입니다 AI에서 세계적 수준의 존재가 될 수 있습니다 그것이 취하는 모든 것은 양성, 배우려는 의지, 에너지, 저는 대륙에서 많은 것을 가지고 있다고 믿습니다 멜라니 워릭 : 그리고 조언이나 추천 고려중인 기업 아프리카 일부 지역에 지사를두고있는 것이 어떻습니까? 카림 베거 (KARIM BEGUIR) : 나는 AI에서 핵심적인 것 – 그리고 다른 많은 것들에서 – 사람들에게 초점을 맞추고 있습니다

예를 들어, InstaDeep에서 우리는 우리가하는 구체적인 계획이 없다 예를 들어 사무실이 있어야합니다 특정 국가 나 도시에서 그것은 정말로 사람들의 질에 의해 좌우됩니다 우리가 올바른 파트너가 있다고 느낄 때 – 우리는 케냐에서 Muthoni를 갖게되어 매우 기쁩니다 우리는 나이지리아에서도 훌륭한 기계 학습 팀을 운영하고 있습니다

따라서 올바른 팀을 갖추고 있으면 올바른 사람, 당신은 만들 수 있습니다 그게 내 주요 메시지 야 그리고 이것은 생각합니다 특히 그렇습니다 아프리카와 관련이 있습니다

적절한 사람들에게 투자하는 것입니다 열정을 공유하는 당신의 비전을 공유하십시오 따라서 잠재적으로 찾고있는 기업에 대한 내 메시지는 아프리카 인재를 고용하는 데 적극적으로 노력하십시오 최고 재능을 위해 가장 중요한 것은 배울 의향이있다

스스로 도전 할 의지 일정 수준의 경쟁력 확보 팀 내의 공동 작업 그래서 저는 우리가 얼마나 빨리 올바른 사람들을 만났습니다 그리고 하루가 끝날 무렵 AI 나 다른 어떤 것에서, 그것은 사람 중심적입니다 멜라니 워릭 : 대단히 동의한다 그리고 그 점에 대해서도, 관점에서 감사드립니다

커뮤니티 구축에 관해 이야기하는 것, 그 기회를 갖는 회사에 대해 이야기하기 이러한 커뮤니티를 탐색하고 재능이 어디에 있는지 확인하십시오 그리고 다시주고, 돌려주고 경 쟁 측면에서 경이 롭다 나는 우리가 이것에 대해 이미 일찍 이야기했다는 것을 안다 사용중인 도구 중 일부를 만지고있었습니다

당신이 당신의 재능을 가져올 때, 그것은 네가 네 자신의 훈련 중 일부를하는 것처럼 들리는데, 사람들이 성장하도록 돕습니다 그 맞습니까? 카림 베거 (KARIM BEGUIR) : 그렇습니다 그래, 맞아 그리고 핵심 기술 중 일부는 무엇입니까? 특히, 당신이 쌓아 올리려고 노력하고 있다고? 카림 베거 (KARIM BEGUIR) : 그래서 우리는 동기 부여를 취하는 것이 가능하다고 믿습니다 젊은 학생이나 엔지니어 – 학부생, 또는 대학원 연구를 마치는 것 – 업무에 빨리 착수하십시오

AI 연구 문제에 PhD 플러스로 간주됩니다 나는 그것이 내가 가지고있는 매혹적인 놀라움 중 하나라고 생각한다 회사를 짓고 보았다 이것이 실제로 가능하다는 것입니다 우리에게는 큰 성공 사례가있었습니다

어떤 환상적인 여성, 우리가 팀에 있던 학생 InstaDeep은 실제로 다양성을 믿습니다 모든 사람에게 평등 한 기회가 있는지 확인하십시오 그리고 우리는 성공 사례에 정말 놀랐습니다 우리는 인턴으로 하여금 일의 예술 상태를 추진하게했습니다

그것은 실리콘 밸리에서 이루어졌습니다 그래서 이것은 재미있는 시간입니다 그리고 전달하고자하는 핵심 메시지 AI의 기회가 있다고 믿지 마라 당신에게서 먼 뭔가 진정으로 동기 부여가된다면, 진정으로 배우고 싶다면, 방법이 있고 멘토가있다

딥에서 나 또는 모든 놀라운 사람들이 도움을받을 수 있도록 인다 바를 배우면서 그 기회를 현실로 만드십시오 멜라니 워릭 : 당신에게 필요한 자원은 무엇입니까? 가르치는 데 더 가치가 있고, 다른 사람들을 훈련시키는 데 도움이 되는가? 우리가 해들리 위컴에 대해 이야기 했었기 때문에, 그의 책이 훈련의 일부로 어떻게 도움을 주 었는지 네가 나이로비 여성과 함께 일하고 있다고 기계 학습 카림, 너 특별한 사람있어? 당신이 매우 가치 있다고 생각하니? 카림 베거 (KARIM BEGUIR) : 그렇습니다 다음과 같은 두 권의 책이 있습니다 우리는 실제로 엄청난 자원임을 발견했습니다

좋은 소식은 무료로 제공된다는 것입니다 필요한 것은 이동하여 링크를 클릭하는 것입니다 그리고 당신은 그들을 얻을 것이다 PDF 파일을 다운로드하여 인쇄하십시오 그래서 제가 말한다면, 당신이 깊은 학습에 관심이있는 것은 "깊은 학습" Ian Goodfellow, Courville 및 Bengio의 책

그것은 환상적인 것입니다 그리고 나는 그것이 환상적이라고 말하고 싶다 하나, 진짜 테스트이기 때문에 그것은 정말로 쉽고, 어려움은 거의 시작됩니다 챕터에 따라 기하 급수적으로 증가합니다

그래서 동기가 있다면, 굿 펠로우를 데려와 너 끝내 당신은 긍정적이고 연속적인 경력을 쌓기 위해 먼 길을 갈 것입니다 AI에서 무토니 WANYOIKE : 흥미로운 것을 언급하고 싶습니다 재능을 키우는 측면에서 InstaDeep에서 저를 동기 부여합니다

그래서 우리는 또한 매우 숙련 된 연구원을 보유하고 있습니다 InstaDeep에서 일하고 있고, 어떻게 든 우리의 중학교 엔지니어와 쌍을 이루고 있습니다 그리고 그들은 함께 잘 일할 수 있습니다 따라서 엔지니어가 실제로 도움이됩니다 자신의 기술 측면에서 정말 빠른 속도로 성장하십시오

네 멜라니 워릭 : 그건 일반적인 도전입니다 대부분의 회사들과 마찬가지로, 중년의 재능을 가지고 성장할 수 있도록 실제로 멘토링하고 설정한다는 사실 그런 종류의 관계 일부 회사에서는이를 수행하고 있습니다 불행히도 모든 사람이 그것을 실행할 수있는 것은 아닙니다

그들은 그것을하지 않고있다 그들은 그것에 실행되지 않습니다 KARIM BEGUIR : 그리고 나는 Muthoni가 만지고 있다고 생각합니다 중요한 포인트 InstaDeep에서는 모든 프로젝트가 교차 지역입니다

따라서 서로 다른 팀이 협력해야합니다 그리고 우리는 이것을 특히 경험했습니다 우리가 유럽에서도 가지고있는 팀과 우리는 그것이 그것을 핵심 구성 요소로 생각합니다 모두가 동일한 리소스에 액세스 할 수 있습니다 누구나 공유하고 공동 작업을 할 수 있습니다

그리고 우리는 엄청나게 재미있는 경험을했습니다 이걸로 아프리카 인 재능은 정말 빨리 데리러 올 수 있습니다 그리고 우리는 혁신이 실제로 아프리카에서부터 이끌어 냈습니다 우리는 매우 자랑 스럽습니다

어떻게 그렇게? 카림 베거 (KARIM BEGUIR) : 예를 들어 우리는 연구 프로젝트를 진행했습니다 나는 최근 기사를 언급 할 것이다 "순위 보상 (Rank Rewards)"이라고 불리는 출판 DeepMind가 개척 한 작업을하면서, 특히 데이비드 실버는 2 인 게임을 중심으로 펼쳐집니다 이것은 매우 흥미 롭습니다 그것은 엄청난 돌파구입니다

사실, 기술적으로 Al은 Alan Turing에 의해 발명되었습니다 체스를 풀기 따라서 AlphaZero가 정말 순간적이라고 말할 수 있습니다 그리고 우리는 그 돌파구에 매우 흥분했습니다 그리고 우리는이 돌파구가 어떻게 적용될 수 있는지 생각하려고했습니다

실제 사용 사례, 실제 비즈니스, 실제 상황, 그것이 운송이나 물류와 상관없이? 그걸 유용하게 만드는 방법은? 이것은 우리에게 획기적인 발전을 가져 왔습니다 특히 북 아프리카 팀이 개척 한 훌륭한 리뷰, 훌륭한 피드백, 궁극적으로 차세대 제품 개발 우리 팀과 지역 사회, 그리고 그 이상으로 이익을 얻습니다 멜라니 워릭 : 훌륭합니다 그래서 원격으로 작업하는 것에 관한 그 시점에서 – 당신은이 위대한 모범을 보여주고있었습니다 아프리카에서 몰아 낸 – 가장 큰 도전은 무엇인가? 함께 일하는 원격 팀과 함께 일한 경험이 있습니까? 카림 베거 (KARIM BEGUIR) : 사람들을 확신시키는 것이 중요하다고 생각합니다

의사 소통하고 협업합니다 그래서 몇 가지 도전 과제가 더 실용적입니다 예를 들어 오프 사이트를 구성 할 때, 비자를 발급받을 수 있는지 확인하십시오 불행히도 아프리카를 여행하는 것은 매우 어렵습니다 문제는 본질적으로 실용적입니다

그러나 당신이 정말로 동기 부여를 받았다면, 당신은 그들보다 뛰어날 수 있습니다 협업 문화를 창출합니다 그래서 InstaDeep에서, 우리는 그것을 정말로 믿습니다 우리는 적어도 일 년에 두 번, 전체 글로벌 팀 직접 교환하고 공유 할 수있는 위치에서 만나고 포괄적 인 문화를 그래서 소프트웨어는 아프리카에서 일부러 갈 수있는 방법이라고 생각합니다 사람들을 움직이고 물건을 옮기는 것과 관련된 어려움을 그래서 우리는 가끔 비자와 투쟁합니다

그리고 Muthoni는 이것을 알고 있습니다 우리는 사이트 목록에 그녀를 데리고 가기 위해 싸워야합니다 그러나 시작과 동시에 다른 모든 것과 마찬가지로, 그것은 동기에 관한 것입니다 당신이 정말로 동기 부여가 있다면 궁극적으로 오늘의 세계에서 어려움을 극복하기 위해, 너는 할 수있어 그리고 제가 만들고 싶은 요점은 당신이 혼자가 아니라는 것입니다

당신이 아프리카의 기계 학습 시작가라면, 당신은 기술 거인들에게 접근 할 기회가 있습니다 생태계를 개발하는 데 도움이 될 것입니다 그리고 나는 그것이 정말로 변형 적이라는 것을 알았습니다 이것은 또한 내가 일로 인도했다 나는 Google과 함께 기계 학습 개발자로 학습하고 있습니다

밖에 기회가 있습니다 당신이 당신 자신에 있다고 믿지 마십시오 넌 아니야 슈퍼 많은 사람들이 있습니다 대륙의 잠재력에 흥분하고, 실제로 손을 빌려주고 당신을 도울 것입니다

그것이 우리의 경험이었습니다 우리가 똑같이하고 공유 할 수 있다면 그 피드백과 그 긍정적 인 피드백, 나는 우리가 먼 길을 간 것 같아 멜로니 워릭 : 나는 너를 끄덕이는 것을 본다 추가하고 싶은게 있습니까? 무토니 WANYOIKE : 이제는 매우 어렵다는 것에 동의하는 것입니다 대륙을 돌아 다니기

그러나 단지 만드는 것에 대한 노력을 보는 것은 흥미 롭습니다 일들이 일어난다 매우 중요합니다 그리고 때로는 이동에 대한 한도 – 예를 들어, 우리는 Indaba에 참석할 동료가있었습니다 그들의 비자를 얻을 수 없었다

즉, 액세스하는 일부를 차단한다는 의미입니다 자원과 사람들은 다음 단계의 삶의 핵심이었습니다 그러나 기술로 우리는 다리를 뚫을 수 있습니다 이 문제 중 일부는 삶의 더 쉬운 방법이됩니다 멜라니 워릭 : 네가하는 얘기가 너무 좋아

특히 모든 팀의 모습 동일한 리소스 액세스 권한이 있어야합니다 그리고 그것이 바로 당신이 달성하기 위해 싸우는 것입니다 그러나 나는 또한 사실을 매우 중요하게 생각한다 이 모든 팀이 제대로 작동하는지 확인하려고합니다 함께

저는 원격 팀과도 협력했습니다 나는 더 강한 것처럼 느껴진다 나는 다른 배경을 가진 사람들과 일한다 다른 생각 그게 큰 부분 인 것처럼 들리네

이것을 운전하고, 또한 당신도 경험합니다 옳은? 카림 베거 (KARIM BEGUIR) : 포괄 성의 문화를 만들어야합니다 그리고 권한 부여 모든 팀은 어디에 있든 상관없이 동일하게 취급됩니다 우리는 아이디어를 소중하게 생각합니다

우리는 지적 호기심을 중요시합니다 그래서 우리는 누군가가 뭔가에 일하기로되어 있었어 그러나 다른 것에 빛나는 것으로 밝혀졌습니다 우리는 그런 긍정적 인 놀라움을 좋아합니다 긍정적 인 환경을 조성한다면, 사람들을 위로하고 보상을 받는다

지속적인 학습, 지적 호기심, 당신은 좋은 놀라움을 가질 의무가 있습니다 무토니 WANYOIKE : 사람들의 동기 부여는 할 수 없습니다 과다한 스트레스를받습니다 사람들이 자신의 개인적인 동기 부여가있을 때 프로젝트에서 작업하려면, 예를 들어, 심지어 어쩌면 시간의 작은 도전, 다른 시간대에 걸쳐 작업하고 있기 때문입니다 그러나 일할 동기가있을 때 흥미 진진한 도전을 향해서, 그것은 그러한 것들 중 일부를 만든다

너는 그들을 쉽게 간과 할 수 있다고 생각한다 네 좋았어 글쎄, 우리가 이미하지 않은 것 당신이 만지고 싶었던 표지, 강조하고 싶었던 점, 그것이 InstaDeep에 관한 것이 든, Deep Learning Indaba에 관한 커뮤니티 구축에 관한 이야기? 카림 베거 (KARIM BEGUIR) : 음, 결론을 내리면 나는 그것이 아프리카에게는 정말로 흥미로운 시간이라고 생각합니다 혁신적인 기술이 있기 때문에, 인공 지능, 어떤 일이 일어나고 있으며 앞으로도 계속 될 것입니다

가까운 장래에 그리고 동시에, 점차적으로 기회를 갖기 위해 귀하의 비즈니스, 사람들을 고용 현실 그래서 우리는 InstaDeep에서 이것에 대해 매우 흥분하고 있습니다 깊은 학습 Indaba 내에서 같은 생각을 가진 사람들의 커뮤니티 누가 정말로 기회를 느끼는지

저는 이것이 아프리카에 역사적인 기회라고 생각합니다 그리고 우리는 그것에 대해 매우 흥분합니다 궁극적으로이 모든 것을 함께 구축하는 것입니다 이것은 Deep Learning Indaba의 메시지입니다 우리는 함께 건설합니다

그리고 그것은 변화를 가져올 것입니다 듣고있는 사람에게 보내는 내 메시지 이것이 너 밖에 있다는 것을 믿지 마라 그것의 일부가 되십시오 보텀스 – 업 방식은 궁극적으로 갈 길이 멀다 이것은 아프리카를 변화시킬 것입니다

그리고 그것이 취하는 모든 것은 약간의 동기 부여입니다 약간의 호기심과 두려워하지 않는 것 위대한 일이 일어날 것입니다 멜라니 워릭 : 훌륭합니다 그리고 그것은 실제로 나에게 뭔가를 생각 나게합니다

너날 밤에 너가 들었다고 들었어 Muthoni는 긍정이라고 말하고있었습니다 그들이 말하는 것처럼 느껴지는 것들에 예라고 말하기 불가능하거나, 너 너머에있다 다른 것을 추가하고 싶습니까? 무토니 WANYOIKE : 나를 위해, 내 경험 나는 개인적인 평가를하고 싶다

그리고 언젠가 올해 초, 나는 내가 좋아한다는 것을 깨달았다 나의 안락 지대는 그늘에 숨어있다 조용하고 조용하게, 또는 트위터에 물건을 그냥 친구가 [INAUDIBLE] 님을 추천했을 때 그때 웬일인지, 그것은 나의 마음에서 무엇인가 감동시켰다 그리고 그것이 내가 결국 어떻게 된 것인지 예를 들면, 도전 이었기 때문에 InstaDeep에 가입하는 것을 허용했습니다

내가 몇 달 전에 받아 들여지지 않았을 것이라고, 또는 Indaba의 일부가되었습니다 그래, 네가 사람들 한테 그렇게 말하길 바란다 정말로, 정말로 그들을 놀라게하는 기회들에, 왜냐하면 때로는 위로가 당신만큼 성장하지 않기 때문입니다 그래 그리고 마지막으로, 우리는 – 나는 내년에 Indaba를 개최하게되어 매우 기쁩니다

또 하나의 커다란 도전인데, 그러나 나는 환상적인 해가 될 것이라고 확신합니다 그래서 저는 2019 년 케냐에서 인다 바 (Indaba)를 갖기를 고대합니다 KARIM BEGUIR : 그리고 내 편에서는, 나는 다음 노력에 대해 대단히 기뻤습니다 나는 Muthoni가 조직의 큰 부분이 될 것이라고 확신합니다 또한 내가 추가하고 싶은 다른 것 아프리카에서 기계 학습에 관한 것입니다

이제는 아프리카 인으로서 세상에 증명할 때라고 생각합니다 아프리카에서 벗어난 회사들조차도 경쟁 할 수 있고, 발 앞에 설 수있다 기본적으로 우리가 확인해야 할 부가 가치를 제공합니다 우리 공동체와 우리 경제 21 세기에 성공했습니다 이것이 InstaDeep에서 우리가하려는 것입니다

그리고 소원이 있다면 미래에 AI를 성공적으로 볼 수 있습니다 도움으로 아프리카에서 떠나는 기업 기술 파트너 협력 선의의 모든 사람들 그러나 이것은 우리가 아직 보지 못한 것입니다 특히 InstaDeep은 매일 내게 동기를 부여하는 것 우리는 기회로 경쟁 할 수있는 아프리카 인으로 증명할 수 있습니까? 모든 공동체와 모든 사람들에게 위대한 것을 만들어라

우리가 함께 일하는 파트너는? MELANIE WARRICK : Karim, Muthoni, 고맙습니다 Podcast에 오는 데 많은 도움이됩니다 MUTHONI WANYOIKE : 우리를 초대해 주셔서 감사합니다 카림 베거 : 고마워 무토니 WANYOIKE : 감사합니다

멜라니 워릭 : 다시 한번 감사드립니다, 카림과 무토니, 팟 캐스트에 와서 우리에게 이야기하기 AI, 기업, 커뮤니티, InstaDeep, 모든것들 정말 고맙습니다 MARK MANDEL : 네, 고마워요 정말 재미있었습니다 마크, 금주의 질문? MARK MANDEL : 금주의 질문

MELANIE WARRICK : GKE를 만들고 싶다면 특정 주요 Kubernetes 버전 클러스터 – 심지어 최신의 것일 수도 있습니다 명령 줄 도구를 사용하면 어떻게 할 수 있습니까? MARK MANDEL : 이것은 내가 뛰어 본 것입니다 나는 그것을 탐구하고 있었다 멜라니 워릭 : 정말로? 이걸 봤니? Mark MANDEL : 나는 몰랐다 나는 정말로 이것에 부딪쳤다

[차량 충돌 노이즈] 권리 그래서 GKE는 Kubernetes의 특정 버전을 실행합니다 예를 들어, 110은 현재 사용할 수 있습니다 GKE에서 실행 중이면 1

106을 실행 중일 수 있습니다 그런 다음 일반적으로 패치 릴리스가 있습니다 그래서 -gke6,

7, 또는 4와 비슷합니다 그리고 그것들은 꽤 빨리 굴러 갈 수 있습니다 언젠가는 2, 3 주 전 같을 수도 있습니다 1

106-gke1을 실행 중입니다 그런 다음 몇 주 후 또는 한 달 후에 다시 방문하면 gke가 될 수도 있습니다 4, 이전 버전 더 이상 사용할 수 없게 될 수도 있습니다

그리고 명령을 통해 스크립트를 실행할 수도 있습니다 라인 또는 심지어 배포 관리자 또한 매우 구체적입니다 그것들은 같을 수도 있습니다 예,이 버전이 필요합니다 1

107gke-3 그리고 그것은 더 이상 사용할 수 없습니다 그리고 갑자기 모든 스크립트가 깨져서 짜증납니다

[드라마틱 음악] 그리고 나는 그걸로도 들어갔습니다 원하는 때마다 스크립트를 업데이트해야합니다 GCloud 또는 Deployment Manager를 사용하여 클러스터를 생성하십시오 하지만 당신은 할 필요가 없습니다 와일리

MARK MANDEL : 놀랍습니다 멜라니 워릭 : 놀랍습니다 [CELEBRATORY MUSIC] 마크 멘델 : 그래서 정말 좋은 것입니다 실제로 일반 클러스터 버전을 지정할 수 있습니다 예를 들어, 다음과 같은 버전을 만들고 싶습니다

110 나는 110의 도트 버전이 마음에 들지 않는다 1

10을 만들어주세요 내 초기 클러스터 버전에서 실제로 말할 수 있습니다 Deployment Manager 또는 GCloud의 클러스터 대시 버전에서, 기본적으로 나는 단지 110과 같습니다 그리고 그것은 최신 1

10을 붙잡을 것입니다 패치 릴리스를 원한다면, 1107, 그리고 항상 최신 정보를 얻습니다 그리고 마지막에 – 게케와 함께

아니면 그냥 최신을 원하면 "최신"이라고 쓸 수 있습니다 헤이 MARK MANDEL : 네 그러면 장면 뒤에서 당신을 위해 효과가있을 것입니다 많은 시간을 절약하고 스크립트를 만들 수 있습니다

조금 부서지기 쉽고 물건을 조금 더 쉽게 만든다 너를 위해서 멜라니 워릭 : 우리는 쉽게 좋아합니다 네, 그렇습니다 멋지다

WARRICK : 멋지다 마크, 어디가는거야? Mark MANDEL : 저는 12 월에 QCon에서 만나겠습니다 하지만 그 외에는 다음 달에 휴가를 보내고 있습니다 네 멜라니 워릭 : 휴가! [CELEBRATORY MUSIC] 마크 멩델 : 너야? 멜라니 워릭 : 나는 [INAUDIBLE] 11 월 말에, 그것은 주요 계획입니다

마크 AND델 : 멋지다 그 좋은 소리 그래, 맞아 진짜 빨리, 우리가 감싸기 전에 MARK MANDEL : 물론입니다

멜라니 워릭 : 나는 단지 작은 공익 광고를하고 싶다 미국에 있다면 투표하십시오 우리는 여기 앉아서 투표 할 사람을 말하지 않을 것입니다 나는 내 의견을 가지고있다 하지만 – 내 트위터 피드를 확인할 수 있습니다

내 의견을 알고 싶다면 하지만 네, 투표하십시오 만약 당신이 그것에 대해 생각하고 있다면, 당신이 울타리에 뭐든, 제발, 확실히 이 중간 선거에 투표하십시오 MARK MANDEL : 굉장해 글쎄, 멜라니, 정말 고마워

아직 나와 함께 해줘서 고마워 이번 주 팟 캐스트에서 다시 고마워, 마크 MARK MANDEL : 그리고 모두 들어 주셔서 감사합니다 우리는 다음주에 모두 만날거야

[음악 재생]