Advanced audience targeting with data and AI

[음악] 안녕하세요 오늘 하루는 어떻게됩니까? 그래서 영화 산업은 재능있는 예술가와 함께 일할 수있는 능력 스튜디오가 가져올 수있는 능력 관중들, 오늘 내가 무엇을하고 있는지 내가 너에게 말할거야

우리가 한 일의 일부 Google Cloud는 이야기와 결혼하고 우리가 잠시 보았던 관중들 이제는 비용이 많이 들고 고객을 유치하고 재능을 끌어 들이기 우리가 왼쪽 아래에서 오른쪽 위 사분면 그리고이 움직임은 긴장감을 키우고 있습니다 한편 지각 판 사이 예전에 내장 된 관성력 다른 일을하는 방법 내가 부를 수있는 것들 능력이란 무엇인가 발견 Hardy 's 발견은 중요한 정보를 제공합니다 특히 임원 및 영화 제작자에게 비판적인 영화는 비판적이다 속편이 이제 잠재 고객 발견 과정과 밀접한 관련이있다 영화를 만들 때의 스토리 텔링 스튜디오 경영진의 제작자 왜 알지? 영화는 새로운 무엇이 될 필요가있다

영화와이 영화는 누구인가? 이 질문을하기 위해 만들어진 것은 어렵다 정확하게 대답하려면 여기에 열쇠가 있습니다 관객에 대한 이야기 ​​내부에는 돌을 맞춰서 이야기와 관객은 단지 그것을 프로세스의 결과로 발생시킨다 스튜디오와 영화 제작자들은 실제로 그들이 조정할 수없는 많은 손잡이 이 정렬을 달성하기 위해 그것은 복합체이다 문제이며 이점은 문제입니다

데이터 중심의 통찰력 때문입니다 스튜디오가 데이터 수집 중입니다 오늘 도구를 만들고 건축하기 때문에 두 가지 도구에 대해 알려줍니다 우리는 폭스에서 처음으로 만들었습니다 마릴린과 마릴린이 대답했다

어떤 영화 유형에 관한 질문입니까? 마릴린이 뭉치를 만들려고 노력하고있어 의 데이터를 보면 보이는 컴퓨터 비전을 통한 영화 음모에 영화를 통해 NLP를 생성 한 다음 가능성이있는 DNA를 기술하는 보고서 두 번째 데이터를 기반으로 한 영화 우리가 만든 툴은 밤이라고합니다 크롤러는 기본적으로 이 질문은 우리가 만들려고 노력하고 있었고 도구가 거대한 병렬 질문을한다 수백 가지의 멀티 샘플링 샘플링 다른 관객과 그것을 출력합니다 우리를 도와주는 정교한 보고서 전례없는 수준으로 묘사하다 이 핵심 팬이 누구인지 자세히 설득력있는 영화 관객 및 노 쇼가 누구인지 이제 저는 여러분에게 이야기 할 것입니다

최고의 쇼맨은 이것이 우리가 실제로 데이터를 일부 용지에 적용했습니다 이 영화는 영화와 유사한 잠재 고객 또 다른 뮤지컬이었던 라 – 라 – 땅 작년에 열린 우리 사교적 인 온라인 채팅 속도 실제로 미디어는 젊은 여성 데모의 방향 가설과 일치했다 라 라 랜드 놀람은 우리가 사용하기 시작했을 때왔다 우리가 예고편을 분석 할 때 사용한 도구 그렇지 않은 더 넓은 잠재 고객을 발견하십시오 반드시 젊은 데모 센터에서 가족 영화를 중심으로 디즈니 뮤지컬과 기분 좋은 이 권한 부여 드라마는 매우 그것은 변화를 제안했기 때문에 중요하다

우리의 마케팅 전략은 우리는 결국에 큰 영향을 미친다고 생각합니다 영화의 성공은 너무나도 다행 스럽다 우리에게 영화는 꽤 잘했다 4 억 달러의 북쪽 전 세계적으로 Studios는 그들이 경쟁하기 위해 배우고 있다는 것을 배우십시오 세계의 이야기와 관객 불완전하지만 다차원 데이터 그리고 그들은 또한 그 자리에 정렬을 측정하는 프로세스 이야기와 청중 사이 신속한 재 할당을위한 열쇠가 될 마침내 그들은 건물을 짓고있다

인공 지능 도구를 사용하지 않는 건물 속일 수밖에 없지만 재능있는 밝은 영화 제작자와 더 관련성 있고 긴급한 영화 제작 경험은 대단히 감사합니다 [박수 갈채] [음악]

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

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

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

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

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

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

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

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

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

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

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

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

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

Future of Hearing Aids in Background Noise with Google Ai (Artificial Intelligence)

-이 비디오에서는 최근 연구에 대해 이야기하고 있습니다 극적으로 향상시킬 수있는 보청기가 백그라운드 소음에서 수행하는 방식

오고있어 (낙관적 인 음악) 안녕 얘들 아 클리프 올슨, 청력의 의사 응용 청력 솔루션의 창시자 Anthem, 애리조나 그리고이 채널에서, 나는 많은 정보를 듣는다 당신에게 더 많은 정보를 제공하는 소비자가되도록 돕습니다

그래서 당신이 그것에 있다면, 구독 버튼을 누르십시오 그리고 벨을 클릭하는 것을 잊지 마세요 통보를 받는다 새로운 비디오를 발표 할 때마다 청력을 상실한 사람들을위한 성배 분리 할 수있는 능력이다 배경 잡음으로부터의 연설

당신이 한 사람과 이야기하든, 또는 당신이 사람들의 그룹과 이야기하고 있는지 여부 최근에 저는 비디오를 보았습니다 Google AI 블로그에서 능력을 보여주는 분리 할 수있다 당신이 듣고 싶은 사람, 그 개인을 보아서 그리고이 소프트웨어의 내부 그들이 만든, 실제로는 꽤 인상적입니다

내가 너에게 설명하려고하는 대신에, 내가 너에게 보여 줄게 – 나는 비행의 팬이 아니다, 나는 그것을 싫어한다 비행기에있는 것이 싫어 – 일반적으로 – 너무 많은 소음 – 내 줄무늬가 단단 해

내가 무슨 뜻인지 알지 나는 화장실을 내리지 않을 것이다 비행기에 – 어 – 오, 말하는 얼룩말 – 소음 때문에, 그것은 무서워 너는 가라 앉는다, 너는 내 치다

너 돌아서, 5 초 동안 아무 일도 일어나지 않습니다 그럼 아무 데나 (시끄러운 소리) 세상에, 비행기에 구멍을 뚫어 놓고 – 시내 버스가 싫어하지 않아

그것은 유엔 – 등급 고래의 짐과 같습니다 당신이 그것을 얻을 때마다 우리 모두는 같은 문을 걸어 다닙니다 우리 모두는 같은 가격을 지불합니다 – 네가 내게 묻는다면 꽤 인상적이야 그러나 가장 어려운 듣기 상황 대부분의 사람들이 만나는 곳은 시끄러운 식당입니다

그래서이 다음 클립에서, 나는 그들의 능력을 보여줄거야 음성과 배경 소음을 분리하는 것 카페테리아 환경에서 – 그럼, 그 일은 당신이 말하는 것을 본 사람에게 비디오가 주어지면, 그들의 오디오가 정리된다 다른 모든 것들은 억압됩니다 – 그 일은 당신이 말하는 것을 본 사람에게 비디오가 주어지면, 그들의 오디오가 정리된다

다른 모든 것들은 억압됩니다 – 이제 너에 대해서 모르겠다 하지만이 기술이 보청기 내부에 있다고 느낍니다 완전한 게임 체인저가 될 것입니다 그래서 전 기사를 다운로드했습니다

얼마나 많은 생존력을보기 위해 그것을 읽어야하는지 이것은 미래 세대의 보청기에있을 것입니다 이 기사의 제목은 "Looking to Listen"입니다 칵테일 파티에서 : 연사 독립 음성 분리를위한 시청각 모델 " 그리고 이것은 많은 Google 연구원이 저술했습니다 다음은이 기사에서 다룬 몇 가지 요점입니다

1 위 :이 연구자들은 기존의 비디오, 그들은 그것을 실시간으로하지 않았 음을 의미합니다 그래서 흥분하기 전에 단지이 소프트웨어를 사용하는 것에 대해서, 보청기에 넣고, 저자가 말한 것을 들어라 "우리의 방법은 효과가 없다는 것을 알아야한다 실시간으로, 그리고 현재의 형태로, 우리의 말하기 기능 향상이 더 적합합니다 비디오 편집의 후 처리 단계에 사용됩니다

" 두 번째로이 기술 오디오 – 비주얼 프로세싱을위한 거대한 도약입니다 이전 세대의 소프트웨어 소프트웨어를 특정 음성으로 훈련해야했습니다 의미, 만약 네가 식당에 간다면 특정 친구와 그 친구의 목소리 소프트웨어에 프로그래밍되어야한다 그래서 실제로 찾아야 할 부분을 알고 있습니다 이 특별한 소프트웨어에서는, 그들은 실제로 일반화 된 음성 형식으로 작동합니다

어떤 상황에있는 개인과도 일반화 된 환경에서 더 실용적입니다 당신이 어디든 갈 수 있다는 뜻 누구와도 의사 소통 이 특정 기술을 사용하십시오 연구 기사에서 세 번째로 얻은 것 그들이 시끄러운 술집 상황에서 이것을했을 때였습니다 그들은 배경 소음을 제거 할 수 있었고, 그러나 그것은 연설을 현저하게 저하시켰다

그들이 듣고 자하는 개인의 이는 제한 사항과 매우 유사합니다 우리는 오늘 보청기 기술을 가지고 있습니다 다양한 음성 소스를 제거 할 수 있습니다 다른 말하기 소스는 매우 어려울 수 있습니다 그래서 그들이 이걸 만들면 보청기 내에서 실행 가능한 제품, 그들은 그것을 고쳐야 만 할 것입니다

이 연구 조사에서 네 번째로 얻은 것 시각적 정보가 필요하다는 것입니다 이 시청각 분리를 할 수 있어야한다 물론 보청기에는 시각적 정보가 없습니다 적어도 아직은 보시다시피, 그들은 실제로 작업하고 있습니다

뇌 활동을 감지 할 수있는 보청기 기술 눈 운동과 그들이 할 수 있다면 이 오디오 정보와 결합하면, 그들은 실제로 결정할 수 있습니다 당신이 찾고있는 곳을 기반으로 듣고 싶은 사람 이러한 유형의 기술은 아직 제공되지 않지만 보청기 안쪽에, 이것과 같은 연구입니다 청력을 잃은 사람들에게 희망을 안겨주는 배경 소음 상황에서 그 투쟁 미래 연구를위한 길을 열어줍니다 보청기로 진입 할 기술에 대한 것입니다

한편, 가장 좋은 방법 중 하나 연설을 이해하는 능력을 향상시키는 것 배경 잡음 상황에서 보청기에서 수행되는 실제 귀 측정 이제 실제 귀의 측정이 무엇인지 모르는 경우, 내 비디오를보기를 강력히 추천합니다 카드에 여기에 연결될 것입니다 그리고 아래의 설명에서 극적으로 능력을 향상시키는 또 다른 방법 배경 잡음 상황에서 말을 이해하는 법 현재 순간에 보조 된 청취 장치, 로저 펜, Roger Select 또는 리모트 마이크

이러한 유형의 장치는 연설이 필요하기 때문에 배경 소음 너가 듣고 싶은 사람의 보청기에 바로 보냅니다 이 동영상 용입니다 만약 질문이 있다면, 아래 댓글란에 남겨 둡니다 동영상을 좋아한다면 공유해주세요 이 동영상과 다른 동영상을보고 싶다면 구독 버튼을 누르십시오

다음에 또 봐 (낙관적 인 음악)

Getting Started with Keras (AI Adventures)

YUFENG GUO : Keeras? 카이리스? 크라스? 케라? 당근? Keras Keras 란 무엇이며 어떻게 사용할 수 있습니까? 자신의 기계 학습 모델을 만들기 시작 했습니까? 알아 내기 위해 계속 지켜봐주십시오

[전자음] Cloud AI Adventures에 오신 것을 환영합니다 우리는 예술, 과학 및 기계 학습 도구를 탐구합니다 내 이름은 Yufeng Guo입니다 그리고 AI Adventures의이 에피소드에서, 가장 빠른 방법으로 Keras를 시작하는 방법을 알려 드리겠습니다 가능한

Keras로 시작하는 것이 더 쉬워 진 적은 없습니다 Keras가 TensorFlow에 내장되었을뿐만 아니라 tensorflowkeras를 통해, 심지어 당신도하지 않습니다 아무것도 설치하거나 구성해야합니다 당신이 Kaggle Kernels와 같은 도구를 사용한다면

필요한 경우 Kaggle 계정을 생성하기 만하면됩니다 로그인합니다 그런 다음 Keras가 제공하는 모든 것에 액세스 할 수 있습니다 Keras는 독립 실행 형 라이브러리로도 존재하지만, TensorFlow 버전은 완전히 동일한 API를 가지고 있습니다 및 몇 가지 추가 기능

Kaggle Kernel으로 가보자 지금 Keras를 사용하는 방법을 알려 드리겠습니다 이전 에피소드에서 우리는 기계 학습을했습니다 데이터 세트 Fashion-MNST에서 유행 아이템 10 가지 유형의 데이터 세트입니다

바지와 셔츠에서 구두와 핸드백, 모두 28 by 28 픽셀 그레이 스케일로 표시됩니다 음, 그레이 스케일 오늘 우리는 Keras를 사용하여 비슷한 분석을 할 것입니다 따라서 Keras를 사용하기 위해 평소처럼 TensorFlow를 가져옵니다 이러한 수입은 실제로 우리는 전에했다

그리고 우리는 numpy와 pandas와 natplotlib을 끌어 들일 것입니다 우리가 평상시대로 그리고 우리는 일반적인 방식으로 계속 작동합니다 CSV를 테스트하고 테스트 해 보겠습니다 팬더에 올려서 살펴보세요

그들이 어떻게 생겼는지 맨 왼쪽에 라벨 열이 있습니다 0부터 9까지의 숫자가 있습니다 그리고 우리는 픽셀을 가지고 있습니다 픽셀 1, 2, 3에서부터 픽셀 784까지

전처리 할 함수가 있습니다 우리의 데이터는 조금 있습니다 우리가 이전에했던 것과 비슷합니다 방금 청소하고 좀 더 간결하게 만들었습니다 나는이 기능들을 꺼내 255로 나눈다

그래서 우리는 모든 그레이 스케일 값을 정규화합니다 0과 1 사이에 있어야합니다 그리고 라벨도 뽑을거야 둘 다 numpy 배열로 표시되도록하십시오 우리는 그 기능을 사용하여 훈련과 테스트를 철회합니다 데이터 프레임의 데이터를 연결하고 연결합니다

명시적인 변수들 – train_features 및 train_labels, test_features 및 test_labels 그리고 우리는이 변수의 최종 형태가 정확히 우리가 기대할 수있는 것입니다 784 개의 열을 가진 60,000 개의 예제 그리고 우리의 레이블은 단지 6 만개의 값입니다 그리고 우리는 그들 중 한 명을 들여다 볼 것입니다

이것은 우리의 20 번째 training_feature입니다 그리고 중간에있는 픽셀들 중 일부는 실제로 0과 1 사이의 값이라는 것을 알 수 있습니다 또한 시각화 할 수도 있습니다 여기에 우리는 셔츠가있어, 정확하게 보입니다 네가 기대하는대로 낟알과 그레이 스케일의 종류

자, Keras는이 특별한 경우에, 우리는 데이터를 핫 핫 인코딩해야합니다 그것이 의미하는 바는 우리가 훈련을받을 것입니다 예전에는 0, 3, 7, 그들을 돌려 보내라 각각 길이 10의 배열로 배열의 모든 10 개 값은 하나의 값을 제외하고는 0입니다

그 하나의 값은 1이 될 것입니다 그래서 이것이 바로 한 – 핫 인코딩 (one-hot encoding)입니다 저기있는 곳은 어디입니까? 정확히 그 숫자가 될 것입니다 예를 들어 값이 7 일 경우, 일곱 번째 0은 하나가됩니다 숫자가 4라면 4 번째 영점은 하나가 될 것입니다 – 따라서 one-hot 인코딩

그래서 우리는 Keras wtilsto_categorical을 실행할 것입니다 이 작업을 수행 할 수있는 편리한 유틸리티 기능입니다 우리를 위해 기차 표식이 지금 6 만 줄의 숫자로 바뀌다

10 개의 열과 60,000 개의 행 그리고 우리가 실제로 볼 수있는 것과 같은 예제 레이블에서 볼 수 있습니다 지금까지 보았을 때, 0 번째 인덱스는 1, 나머지는 모두 0입니다 그리고 이제는 Keras로 작업하는 데 정말 재미있는 부분이 있습니다 우리의 모델을 만듭니다 Keras는 정말 쉽고 직관적 인 방법을 제공합니다

모델을 처음부터 다시 빌드하십시오 이 경우 순차적 모델을 만들겠습니다 그 위에 레이어를 추가하십시오 첫 번째 문자는 노드가 30 개입니다 정류 된 선형 유닛의 활성화 기능을 갖는다 우리가 이전에 사용한 TensorFlow의 경우에는 relu를 위해, 기본 활성화 기능이었습니다

그런 다음 완전히 연결된 다른 레이어가 생깁니다 또는 20 개의 뉴런을 가진 조밀 한 층 또한 relu 함수와 함께 마지막으로 우리는 10 개의 출력으로 최종 매핑을 할 것입니다 값은 0부터 9까지이며 활성화되어 있습니다 기본적으로 배포하는 softmax의 10 가지 버킷 전체에 걸쳐 전력 확률

이제 모델을 컴파일 할 준비가되었습니다 Keras는이 컴파일 표기법을 사용합니다 뭔가를 할 때와 비슷한 모델 끈 제작자 또는 다만 말하는 것을 무언가 같이, 나는 행해진 다 모두 나를 위해 그것을 넣어 손실, 최적화 도구 및 통계를 제공합니다

우리가 얻고 자하는 가치의 종류, 최상의 가치를 위해 최적화 할뿐만 아니라 우리가 손실을 측정하는 방법 이 경우 카테고리 간 엔트로피를 사용합니다 우리의 산출물이 범주 적이기 때문입니다 그리고이 경우 크로스 엔트로피는 좋은 방법입니다 우리의 손실이나 오류를 측정합니다

모델이 생성되면 교육을받을 준비가되었습니다 Keras를 사용한 교육은 fit를 호출하는 것처럼 쉽습니다fit이라고 부를 때, 우리가 제공해야하는 것은 training_features 및 training_labels

또한 에포크와 batch_size를 제공하는 것도 좋은 생각입니다 그래서 우리는 좀 더 훈련을 제어 할 수 있습니다 이 경우 우리는 신기원을 제공했습니다 두 개입니다 즉, 전체 데이터 세트를 살펴볼 것입니다

두 번 이상 그리고 우리는 128의 batch_size를 제공 ​​할 것입니다 이것은 각 훈련 단계에서, 모델은 가이드를 도울 128 가지 예제를 볼 것입니다 그것의 매개 변수를 조정합니다 그래서 우리는 Keras가 정말 유용한 무기를 가지고 있다는 것을 알 수 있습니다

훈련이 일어나고 우리에게주는 것처럼 진행의 감각 또한 손실 및 정확성을 인쇄합니다 각 시대의 끝에 그러나 훈련이 끝날 때 최종 손실의 정확성을 확인하십시오 평가만큼이나 유용하지는 않습니다

실제 테스트에 대한 정확성을 확인해야합니다 데이터 세트 이제 modelevaluate 함수를 호출 해 봅시다 이번에는 test_features와 test_labels에 전달됩니다

이것은 우리에게 정확성을 줄 것이며 우리는 그것을 밖으로 인쇄하고보십시오 847 %의 정확도를 볼 수 있습니다 물론, 우리는 확실히 증가 된 신기원을 가진 그것보다 나아지고, 보다 정교한 모델 및 기타 접근 방식을 제공합니다 그러나 이것은 Keras의 소개 일뿐입니다

그리고 희망적으로 이것은 당신에게 좋은 출발점을 줄 것입니다 Keras로 놀기 시작하다 Keras가 할 수있는 모든 것을 볼 수 있습니다 Keras에는 놀라운 커뮤니티와 많은 것들이 있습니다 샘플을 결합 할 때 Kaggle의 커뮤니티에서 당신을 올바른 방향으로 이끌어 줄 진정한 서사시적인 자원입니다

클라우드 AI 모험 에피소드를 시청 해 주셔서 감사합니다 그리고 그것을 즐긴다면, 그것을 좋아하십시오 모든 최신 에피소드를 바로 구독하려면 반드시 구독해야합니다 그들이 나올 때 자, 뭘 기다리고 있니? Kaggle로 가서 Keras로 놀아보기 시작하십시오

오늘

The Future of AI with Kai-Fu Lee: Udacity Talks

내 이름은 Sebastian Thrun, 나는 Udacity의 창립자입니다 나는 슈퍼 다

슈퍼는 나와 함께 있기를 좋아한다 진정한 지도자 중 한 사람, 개척자, 오늘날 인공 지능 시대의 현대 국제 인물, 카이 푸 리 카이 푸 오신 것을 환영합니다 고맙습니다 다들 감사 해요

나는 너에게 같은 방법을 소개 할 것이다 고맙습니다 카이 푸는 실제로 방금 책을 썼다 아마 붉은 색이 겠지요 AI Superpowers : 중국, 실리콘 밸리, 뉴 월드 오더 (New World Order) '등이 있으며, 현재 그는 미국 서적 투어 중입니다

기록적인 수준으로 판매되고 있습니다 내 여자 친구는 책을 좋아해 당신은 우리와 함께 우디 시티에 있습니다 질문에 답하고 우리에게 통찰력을 주자 네

환영합니다 고맙습니다 나는 또한 오랫동안 상상할 수있는 카이 푸를 알고 있다고 말해야합니다 저는 교환 학생이었을 때 여기에서 다시 살았습니다 Carnegie Mellon의 석사 과정 학생

그는 옆집에있는 신임 교수였습니다 나는 카네기 멜론 대학의 교수진 그들이 자신과 같은 슈퍼 스타를 갖지 못했다고 믿었습니다 그런 다음 Microsoft, Google, 그리고 결국 중국으로, 중국에서 Sino Venture로부터 벤처를 시작했습니다 이 책에서 나는 서류로 곧장 가고 싶다 이 책에서 우리는 중국의 인공 지능에 대해 이야기하고 있습니다

권리 중국과 미국의 다른 점은 무엇입니까? 글쎄, 중국은 매우 뒤늦게 시작했다 알맞은 인공 지능 연구원이 중국에 많이있었습니다 저는 98 년에 마이크로 소프트 리서치 아시아 (Microsoft Research Asia) 나는 훈련을 끝내었다라고 생각한다 중국의 인공 지능 인구의 거의 모든 세대

그러나 AI는 그 당시에는 관여하지 않았습니다 그것은별로 인기가 없었다 AI라는 단어를 사용하고 싶지도 않습니다 그 말은, "그것이 작동 할 때 그것은 제품 공학이고, 그것이 작동하지 않는 것은 인공 지능입니다 "" 그래서, 우리는 꽤 오래 동안 그 상태에있었습니다

그러나 미국 깊은 학습, Jeff Heaton, 다른 사람들은 AI가 많은 협소 한 문제를 아주 잘 해결할 수 있음을 보여주었습니다 중국은 뒤쳐졌다 그러나 그것은 꽤 영리한 연구자들의 중추가되었습니다 그런 다음 초기 중국 기업인 바이두 (Baidu) 외부 혁신, 우리가 투자 한 회사, 우리는 몇 가지 일을하고 있지만, 미국에 비해서는 아주 작습니다 그러나 AlphaGo가 Lee Sedol을 이길 때 일어난 일은, 그것은 모든 중국을 깨웠다

지능뿐만 아니라 지혜가 필요한 고대 게임, 미국의 영국 회사는 어떻게 아시아 최고의 선수 일 수 있을까요? 그렇다면 AI에 관한 AlphaGo에 관한 무언가가 있어야합니다 그런 다음 중국은 지난 2 년 반 동안 기업가들과 함께 불을 탔다 VCs, 정부, 모두 돈, 재능, 자원 투입 짧은 2 년 반 동안, 중국은 미국의 이행을 따라 잡았다 수익 창출, 그리고 AI의 가치 평가

그것이이 책의 내용입니다 이 마법의 2 년 반, 불가능한 일처럼 보입니다 선교는 불가능하지만 일어난 일입니다 그래서 중국 정부는 수 천억 달러를 인공 지능으로 투입한다고 발표 했습니까? 예 이것이 의미하는 바는 무엇이며, 우리도이 나라에서 똑같이해야합니까? 글쎄, 첫째로, 그것은 무엇을 의미합니까? 실제로 인프라 지출을 의미합니다

나는 중국 정부가 승자를 뽑지 않고 있다고 생각한다 정부는 기술 분야에서 승자를 뽑는 데 그리 좋지 않다 그래서 그들은 새로운 도시를 건설하기 위해 엄청난 돈을 투자하고 있습니다 자율 운전이 내장 된 시카고의 크기 그 도시 안에서, 도시의 중심에는 두 개의 층이 있습니다

보행자, 애완 동물, 자전거가 맨 위에 갈 것이며, 녹색, 매우 공원 아니 자동차 아름 다운 장소입니다 자율적이든 아니든 모든 자동차는 그 도심에서 B1에서 운전할 것입니다 내 말은, 당신은 경비를 상상할 수 있습니다 그러나 그것이 내가 자율적 인 운전을 할 것 인 노력의 종류 다 잠재적으로 가장 위험한 지역에서 안전하며, 그것은 도심지, 사람들과의 바쁜 교통, 이제까지 사람들을 치는 차를 피하십시오

따라서 절강 (Zhejiang)은 자동차와 대화 할 센서가있는 새로운 고속도로를 건설 중이며, 자동차에 사고가 발생할 확률이 낮다 따라서 대규모 인프라 지출이 가장 클 것이라고 생각합니다 AI 공원에 돈을 넣는 것도 분명히 있습니다 남경시는 거대한 지역을 선택했다 나는 새로운 AI 공원이 될 공간이 약 2 백만 평방 피트라고 생각합니다

난징에는 정말 훌륭한 학교가 있었고 이제는 말하기를 원합니다 헤이 AI는 우리의 큰 영역입니다 그래서, 나는 이렇게 보급 된 인프라가 가장 강력하다고 생각합니다 AI 펀드에 투자되는 돈이 있습니다 그렇습니다

많은 돈을 넣고 있습니다 나는 그것이 인프라에 주로 있다고 생각합니다 선진 연구 기업은 자금을 조달 할 수 있고 제품은 벗어날 수 있습니다 그렇습니다, 나는 돈이 예산에서 발견 될 수 있으면 미국이 그것과 비슷한 것을해야한다고 생각합니다 예

그래서, 당신의 책에서, 당신은 가치에 대해 조금 이야기합니다, 당신은 중국 기업가를 이끄는 것에 대해 이야기합니다 사람들을 성공적으로 만드는 이유 기업가 정신에 대한 중국인의 생각에 대해 더 많이 이야기 해 주시겠습니까? 대기업에 관해서? 예 글쎄, 나는 실리콘 밸리의 큰 찬미 자다 그러나 나는 또한 중국 기업가 정신 스타일의 큰 찬미자가되었습니다

나는 그것이 AI로 반복하는 것이 매우 중요하다고 생각합니다 그래서 실리콘 밸리에는 전형적인 아이폰을 가진 스티브 잡스가 있습니다 키티 호크와 함께하는 또 다른 좋은 예입니다 우디시 티 우디시 티

다른 예시 크게 우리 회사입니다 Udacity는 중국 스타일과 조금 비슷합니다 음, 키티 호크, 아이폰, 화려한 획기적인 기술 같아 그것은 전구가 사라짐에 따라 세상을 변화시킬 것입니다

그리고 앞장서 서 빛나는 과학자들 나는 Udacity가 훌륭하다고 생각한다 그러나 더 많은 운영의 우수성, 더 많은 사람들을 얻고, 더 많은 콘텐츠를 얻습니다 그래서, 그것은 실제로 중국이 정말로 탁월한 어떤 것입니다 이 책에서 나는 이야기한다

미국에는 The Link Startup이라는 책이 있습니다 실제로 중국은 실리콘 밸리보다 링크 시작을 잘한다 링크 시작을 0에서 1로 취하고, 그리고 나서 백만에서 백만까지 그래서 중국의 기업 환경 매우 힘들고, 사람들이 치열하게 경쟁하며, 나는 검투사들이 던져지는 대 경기장처럼 이야기하는 책에서, 하나만 살아남을 수 있습니다 또한 모방 자에 대한 많은 인상을 남기지 않습니다

나는 IP 도둑질에 대해서 이야기하는 것이 아니다 나는 그저 모양과 느낌을 가지고가는 것에 대해 이야기하고있다 법적 범위 또는 기능 내의 다른 제품 그래서, 그런 종류의 환경에서, 기업이 이길 수있는 유일한 방법은 복사가 불가능하고 복사가 불가능한 제품을 만드는 것입니다 그래서, 제가 책에서주는 예는 Matelon이라고 불리는 중국 Yelp 나 Groupon입니다

당신은 거기를 통과 할 것이고 많은 어려움과 깊이가 있습니다 중국 사람들이 먹는 방식을 변화시킬 인프라를 창출하십시오 해당 인프라를 구축하고 나면, 경쟁자는 그것을 복사 할 수 없거나 너무 비싸서 복사 할 수 없습니다 이 인프라는 근본적으로 음식을 가정으로 30 분 안에 전달할 수있게 해줍니다 어쩌면 500 개의 레스토랑을 선택할 수 있습니다

퇴근하기 전에, 당신은 먹고 싶은 것을 선택합니다 30 분 안에 집에있을 때, 음식은 거기에서 당신을 기다리고 있습니다 배달 비용은 약 $ 070입니다 운영 우수성을 달성하는 방법은 연삭 한 달에 몇 센트 씩 새로운 방법을 찾아 냈습니다

적은 비용으로 일할 수있는 사람들을 찾는 방법, 더 싼 전기 오토바이와 같은 저렴한 교통 수단을 찾는 방법, 배터리 교환 방법 또한 사람들은 많은 돈을 벌지 못하기 때문에 회전율이있을 것입니다 따라서 매년 해마다 60 만 명의 인력이 투입되는 인적 자원 프로세스가 필요합니다 이 모든 것을 실리콘 밸리, 많은 운영 부담을 느끼고 있습니다 그러나 그것을 잘하고 배달을 0

70 달러로 낮춤으로써, 당신은 근본적으로 사업 주변에 매우 높은 벽을 세워 경쟁자, 그들이 똑같이하고 싶다면, 그들은 수십억 달러를 소비해야합니다 그래서, 그들이 가지고있는 아마존 연극처럼, Jeff Bezos가 말하길, 나는 여백이 있습니다 나는 그것을 자랑스럽게 생각합니다 그것은 그것과 같습니다 최근 Erichman은 매우 유명하게 말했습니다

언론에 공개 한 비밀 회의에서, 그는 인터넷의 두 가지 버전이있을 것으로보고 있으며, 전 세계가 운영하는 인터넷이있을 것입니다 그리고 아마도 중국이 운영하는 중국 인터넷 일 것입니다 그것에 대해 어떻게 생각하십니까? 글쎄, 만약 당신이 내 전화기와 내 애플 리케이션을 보면, 그들은 당신과 완전히 다릅니다 그래서, 그 관점에서, 절대적으로 중국 사람들은 모든 중국 앱을 사용하고 있습니다 그들은 아주 좋아요

WeChat은 WhatsApp보다 낫습니다 나는 당신이 WhatsApp를 아직도 사용하고있는 것을 보았다 나는 아직 WhatsApp을 사용하지 않고있다 네가 보내곤했던 게 뭐야? 문자 메시지였습니다 문자 메시지 란 무엇입니까? 오 세상에, 알아

세상에 문자 메시지를 사용하는 키티 호크 (Kitty Hawk)의 CEO 나는 WeChat을 의미한다, 잘, 중국 앱은 정말 좋습니다 사실, 미국에 영감을 받아 자주 미국보다 낫다 항상 그렇지는 않다

현재 많은 사람들이 미국에서 영감을받지 못했습니다 그들은 중국의 혁신입니다 비디오와 함께 두 개의 소셜 네트워크가있는 것처럼 그들은 아직 여기에 존재하지 않습니다 전자 상거래의 발전이 있습니다

3 년 만에 250 억 달러가되었습니다 그래서 이러한 모든 개념은 현재 중국에서 혁신적입니다 앱이 다르다 중국 사용자는 미국 앱을 많이 사용하지 않으며 그 반대의 경우도 마찬가지입니다 그래서 저는 그러한 의미에서 생각합니다

이것에 대해 말하면, 수많은 회사가 있습니다 Udacity도 예외는 아니다 중국에서 사업을하려고하는 사람, 중국에 사무소 개설을 시작했습니다 조인트 벤처 또는 유사한 차량을 건축하는 것 중국 기업에 진출하고자하는 미국 기업에 대한 조언은 무엇입니까? Udacity는 실제로 매우 예외적 인 경우입니다

나는 당신이 가지고있는 것이 교육이라고 생각하기 때문에, 그것은 모든 사람들에게 드문 일입니다 따라서 잠재적으로 미국과 중국을 횡단 할 수있는 것들은 거의 없습니다 순수 핵심 기술 기업, 교육 콘텐츠, 엔터테인먼트, 아마 경계를 넘을 수 있다고 생각하는 세 가지 다른 모든 것들은 매우 어려울 것입니다 Google, Facebook, Amazon 또는 Uber를 선택하고, 에어 비앤비, 그들은 모두 중국에서 힘든 시간을 보내고 있습니다

왜 그런가요? 자, 중국의 평행 우주가 확립되었습니다 사람들은 WeChat을 어떻게 사용하는지 패턴을 확립했습니다 Alibaba, Taobao 등등, 브랜드가 확립되면, 애플 리케이션은 매우 사용하기 쉽습니다 그들은 중국 방법에 맞추고, 그리고 그들은 당신이 중국의 글쓰기 공유 시스템을 사용한다면, 그러면 자연스럽게 WeChat을 사용할 것입니다 그런 다음 자연스럽게 WeChat Pay를 사용하게됩니다

그래서, 이런 것들은 퍼즐을 맞추는 것과 같습니다 아마존을 잡으면 우리가 그 퍼즐을 넣고 그것을 맞출 것이라고 말하면, 퍼즐 조각이 들어 맞았다 이 이미 완료된 중국 퍼즐, 그냥 맞지 않습니다 그래서, 중국에 가고 싶은 대부분의 미국 기업에 대한 나의 조언은 그렇지 않습니다 당신이 교육에 있지 않는 한, 기술 라이센스, 엔터테인먼트, 내가 생각하는 분야는 괜찮습니다

시간이 지남에 따라 두 대학이 합격 할 수있는 기회를 갖기를 바랍니다 하지만 지금은 매우 어렵습니다 내가 너의 책으로 돌아 왔을 때, 이것은 될거야 내 의견으로 오랫동안 모두를 위해 읽을 책, 그리고 신중히 말하면 분명히 효과적입니다 카네기 멜론에 입사했을 때, 내 첫 번째 프로그램은 청구서라는 카이 푸 (Kai-Fu Lee)라는 교수가 디자인 한 오델로 (Othello) 선수를 배우는 세계적인 기계, 그는 내 옆에 있고 그는 세계적인 수준의 프로그래머입니다

하지만 AI 인공 지능 게임에 대해 묻고 싶습니다 AI는 이제 모든 사람의 마음 속에 있습니다 우리는 엘론 머스크 (Elon Musk)와 같은 사람들이 아침 식사를 위해 AI를 말하고, Stephen Hawkins는 인류에서 가장 큰 위협이라고 말합니다 빌 게이츠 (Bill Gates)는 그것에 대해 회의적이었으며, 최종 결정은 무엇인가? 글쎄, 우리는 다음 20 번의 움직임을 모를 때 최종 게임을 계획 할 수 없다고 생각합니다 Othello와 Go에 대해 이야기하고 있습니다

지금 우리는 단일 도메인 내에있는 좁은 AI를 가지고 있습니다 당신은 갈 수있는 훌륭한 시스템을 훈련 할 수 있습니다 법 집행관에 대한 결정을 내릴 수있는 광고 대리인, 회계사, 법률 보조원, 기자 나는 우리가 좁은 인공 지능을 꽃 피우는 단계에 있다고 생각합니다 그런 다음 좁은 인공 지능과 일반 인공 지능 간의 협곡, 소위 인간 지능의 최종 게임, 검은 어두운 구멍 같아

여기에서 저기로 우리를 분명히 인도하는 움직임을 볼 수 없습니다 그래서 제 의견은 제가 생각하기에 좁은 인공 지능은 첫 걸음이 아니라 가장 중요한 단계 일 것입니다 앱을 만들 수있는 전기와 같아서 많은 가치와 부를 창출하고 많은 일자리를 옮기고 도전 과제를 제시합니다 그래서,이 책은 실제로 말하고 있습니다, 이 첫 걸음은 정말로 중요합니다 올바르게 해보자

그런 다음 다른 단계가 있다면, 우리는 첫 번째 단계에서 살아남아 인류애를 개선해야합니다 그래서, 나는 거기에 대해 이야기하지 않습니다 당신은 일반적인 인공 지능을 믿습니까? 나는하지 않는다 왜 안돼? 나는 우리가 영혼을 가지고 있으며 그것이 복제 될 수 없다고 믿기로 선택합니다 AI 커뮤니티에서 가장 인기있는보기는 아닐 수도 있습니다

나는한다- 당신은 영혼이 없다면 우리는 할 수 없다고 믿습니까? 많은 다른 작업을 수행 할 수있는 기계를 달성합니까? 나는한다 나는 우리가 할 수 있다고 믿는다 그렇기 때문에 좁은 인공 지능이 더 똑똑 해지는 것을 보았습니다 그것은 더 많은 능력을 가질 것이며, 자율 주행, 키티 호크를 의미합니다 그 하나의 작업이 이미 나는 키티 호크가 영혼을 가지고 있다고 생각하지 않는다

나는 그것이 연민과 공감을 이해할 수 있다고 생각하지 않는다 나는 사람들이 로봇을 돌보고 싶어한다고 생각하지 않는다 그들의 유모, 간호사, 의사와 교사 내가 이걸 조금 밀어 드리죠 그래서, 내가 너에게 기계를주고 이것이라고하면 인공 지능의 일부이며 그것은 노인들을 돌볼 수 있습니다

음, 기계에 영혼이 있는지 여부를 어떻게 알 수 있습니까? 글쎄, 나는 노인들이 그것을 원하지 않는다고 말할 것이다 따라서 제품을 원하지 않는다면 성공하지 못할 것입니다 나는 실제로 기업가를 세웠다 노인 간호를위한 꽤 좋은 로봇과 그것은 노인을 쫓아 낸다 당신은 오직 하나의 기능 만 사용하고 고객 서비스라고합니다

그래서 그들은 고객 서비스 – 그 사람과 이야기하기 비디오가 나오면 노인이 말한다 "왜 내 딸이 오늘 전화를 안 했니? 내 손자에 대해서 말해 줄 게 " 나는 사람들이 다른 사람들과 상호 작용하는 타고 나는 욕망이 있다고 생각한다 따라서 로봇이 꽤 좋았더라도, 그것은 사람들이 선택하지 않을 것입니다

AI에 대한 연구가 조금 더 어려워졌습니다 괜찮아 사람들이 볼 수있는 다른 장소를 보면서 (들리지 않음) 볼 수 있습니다 유명한 개인을 종합하는 오바마 대통령은 믿을만한 것처럼 보입니다 사실 Georgia Tech와의 작업에서 Udacity에게

조지아 테크 교수가 온라인 상담원과 TAA에 입찰 전체 수업 시간에 TAA처럼 행동했으며 수업이 끝나면 우선이 코스는 실제로 AI의 조각이었습니다 인간과 모든 학생에 대해 놀랄 수 있습니다 우리가 갈라진 틈을 지나갈 수 없다고 생각하십니까? 아주 세련된 인공 지능 요원이 믿을만합니까? 나는 우리가 특정 업무를 위해 그들을 믿을 수있게 만들 수 있다고 생각한다 우리가 실제로 인간의 상호 작용을 필요로하지 않는 많은 일들이 있습니다 조교는 듀오 (Duo) 용어 일 수도 있고, 의인화 된 형태 일 필요는 없다

나는 인간 연결이 필요하고 볼 수없는 많은 것들이 있다고 생각한다 나에게주는 진보 자신감 넘치는 다리를 만들 수있는 자신감, 우리는 정말로 인간과 완전히 구별 할 수없는 어떤 것을 만듭니다 잠재적으로 우리에게 재앙을 가져다 줄 수 있다고 생각합니다 그 의미가 무엇인지 생각해 보면 그 목적은 무엇인가? 그리고 우리의 삶의 의미와 나는 이것이 가능성있는 디스토피아를 유발할 것이라고 생각합니다 그래서 나는 영혼을 가진 기계를 만드는 것이 불가능하다는 말은 아닙니다

그러나 나는 우리가 지금 그것을 믿지 않는 것을 써야한다고 생각한다 인류에있어서 우리의 영혼을 갖는 것이 중요한 것, 그리고 후일을 선택하는 사람들에게, 그들은 물론 우리 대부분을위한 자유를 가지고 있지만, 우리는 인간성에 매달릴 필요가 있습니다 우리가 독특하고 우리의 영혼을 가지고 있다고 믿습니다 그리고 결국에는, 우리가 옳다면, 우리는 무가치 함을 느끼는 하향 악순환에 빠지지 않습니다 그럼 잘못된 경우에도, 나는 우리가 영혼을 가지고 있다고 믿으면 우리의 삶을 살 수 있다고 생각합니다

100 년 후에도 더 가치있는 삶을 누릴 수 있습니다 우리가 틀렸다는 세바스찬 학생의 증명 우리가 틀렸다하더라도 100 년은 더 나은 삶이 될 것입니다 창가가 남아있어 이 장비가 바뀌고 있다고 생각합니다 정말로 통찰력이있는, 기어를 조금 바꾸게 해주세요

그래서, 당신이 AT & T o Verizon을 좋아하는 대규모 회사라면 건강 관리 회사, 추기경 건강 그리고 당신은 당신이 뉴스에서 들었던 것을 결정합니다, 당신은 카이 푸의 책을 읽고 참여하고 싶습니다 당신은 기업들에게 무엇을 권고합니까? 글쎄요, 그들은 AI가오고 있다는 것을 알아야합니다 주주의 술과 회사의 생존, 그들은 AI를 적용하고 더 많은 돈을 버는 방법을 살펴볼 필요가 있습니다 좁은 AI가 할 수있는 많은 직업에서 인간을 옮기고, 그래서 그들은 그들이 할 직원들의 책임을 져야합니다

향후 5 년 동안 변위는 단지 목표가 아닙니다 모든 회사가 주주 가치를 최적화하는 경우에만, 수천만 명의 사람들이있을 것입니다 인공 지능은 직업을 가지기 때문에 거리를 지나칠 수 없습니다 AI가 더 잘할 수 있기 때문에 무엇이든 할 수 있기 때문에 다른 직업을 찾으십시오 그것은 가장 일상적인 것으로 대체 될 것이기 때문에, 가장 숙련되지 않은 직업과 새로운 직업을 찾는 사람들에게 가장 힘든 일입니다

그래서, 나는 할 수있는 큰 회사가 인공 지능을 사용하여 보상을 받으면 노동자를 옮겨야한다 또한 직원들이 직원을 찾을 수 있도록 교육을 찾을 책임이 있습니다 즉각적으로 이주하지 않았거나 AI에 의해 변이 된 적이없는 일자리 AT & T가 매우 방대하게하지 않는 것은 무엇입니까 그러나 이것에 뛰어 들자

AI가 네 번째 산업 혁명만큼 크다고 생각하십니까? 확실히, 절대적으로 중국과 미국 등 선진국의 노동력 비중은 어느 정도인가? 대체 될 것 같니? 우리가 더 계획한다면, 15 ~ 25 년, 아마 약 50 % 맥킨지 (McKinsey)의 50 %는 말한다 지금 어떤 종류의 직업이 가장 많이 불을 땐다고 생각하십니까? 지금이 그렇게 나쁘지는 않습니다 현재 AI는 실제로 많은 일자리를 창출하고 있습니다

Udacity를 복용하고 AI에 접속하는 사람들 다시 말하지만, 사람들을위한 많은 직업을 창출하고 있다고 생각합니다 잠재적 기술 집합과 관심사를 가진 사람 실제 변위는 지금 막 조정되고 있습니다 그러나 내가이 책을 쓴 이유 중 하나는, 우리는 많은 기업에 투자하고 있습니다

근본적으로 어떤 직업이 일자리를 옮기는 지 계산할 수 있습니다 우리는 예를 들어, 우리는 식기 세척을 위해 로봇 공학을하는 회사에 투자했습니다 과일 따기, 대출 장교, 고객 서비스, 상인, 웨이터 및 웨이트리스, 패스트 푸드 요리사, 계산원 그래서 저는 이미 8 가지 일자리를 생각할 수 있습니다 나는 급속한 진전을 보았다

아마, 나는 의미한다 택시 기사를 추가 할 수 있습니다 나는 생각하고, 트럭 운전사 맞습니다 우리는 자율 차량에 투자하고 있습니다

그것들은 꽤 나중에있을 것입니다 그러나 내가 언급 한 8 가지 직업은 3 년에서 10 년 사이에, 크게 사라질 것입니다 당신이 언급 한 직업에 대해 내가 아는 것은이 두 가지입니다 하나는 저 숙련 노동입니다 예

둘째, 그들은 종종 신체적 인 확장을 가지고 있으며, 당신이 과일을 골라 낼 수없는 곳, 그러나 우리는 사람들로 하여금 과일 따기에 대해 생각하도록했습니다 그러나 우리는 육체적 인 로봇이어야합니다 로봇은 식품 안전해야합니다 로봇의 새로운 시대를 꿈꾸십니까? 로봇 공학의 시대, 똑똑하고 조작 할 수있는 로봇? 내 관점에서 로봇 공학의 사업을 살펴보면, 자가 운전 차량을 제외하고, 나는 그것이 실제로 성공한 단일 로봇 기술을 지적 할 수 있습니다 작은 조각이 있고, Kiva Amazon은 선반 배달을하고 있습니다

내 분석은 마치 똑똑함에 더하여, 당신은 또한 하드웨어를 지불하고 경화제를 유지해야합니다 예 하지만 당신은 이렇게 말하고 있습니다 "너무 빨라서, 세바스챤 거기에는인지 작업이 있습니다

" 눈이 아니라 육체적 인 발동 그것은 충분히 진전 될 것입니다 니가 말하는거야? 예, 나는 그것을 예측하고 있다고 생각합니다 그러나 나는 또한 그것을 천천히 그리고 천천히 투사하는 데 더 조심 스럽다 우리는 기계적인면에서 동등한 진보가 있음을 알아야합니다 그러나 나는 우리가 진전을보고 있다고 믿는다

또한 깊은 학습에서의 컴퓨터 비전, 이러한 기술들이 통합되고 있으며, 우리는 기능적 프로토 타입을보고 있습니다 사실, 아마도 첫 번째 것은 kiva 20이 될 것입니다, 맞습니까? 상자에 물건을 넣고 창고에서 완전히 인간적인 자유로운 전환은, 나는 우리가 확실히 볼 수 있다고 생각합니다 당신이 젊은 기업가라면, 미국에있을 지, 중국, 또는 세계 어느 곳에서나, AI에서 중요한 것을 원한다면 어떻게해야합니까? 잘 가장 좋은 아이디어는 무엇입니까? 아무도 듣고있어

당신이 돈을 벌고 있다면, 가장 낮은 교수형 과일은 재정적 인 영역에 있어야하며, 그것들은 인간으로 가공 되었기 때문에, 사람들이 할 수있는 적이 없었던 동일한 시뮬레이션 게임 그래서 모든 은행, 보험 회사, 지불, 투자, 나는 그것이라고 생각한다 당신이 현금 인출기로 끝나기 때문에, 또는 알고리즘이 작동하면 그것은 모든 로봇 공학을 가지고 있지는 않지만, 창고 및 제조, 배달, 모든 것들 그래서, 만약 당신이 돈을 벌고 있다면, 여전히 금융 공간이 있습니다 예

큰 차이를 만드는 경우, 로봇 공학 자율 차량에 들어가면 그것들은 아마도 그곳의 돌파구 일 것입니다 우리는 아마도 많은 일이 가능해질 수 있도록 돕기 위해 다시 올 것입니다 내가 생각하는 자율 차량은 특히 어려운 것입니다 나는 Wham-O만큼 낙관적이지 않다 좋습니다

올해는 내년에 배포 할 예정입니다 이것은 그럴 것입니다 그러나 나는 많은 똑똑한 사람들과 돈으로 그것에 들어가기를 생각합니다 모든 자동차 회사와 자율 차량을 포기한 전기 자동차 회사, 나는 그들이 결국에는 진보하고 우리 자신을 운송하는 방식을 바꿀 것이라고 생각합니다 그런 일이 발생하면 많은 기술들이 로봇 공학에 다시 돌아올 것입니다

어쩌면 현재 해결하기 힘든 로봇 문제를 해결할 수도 있습니다 어쨌든, 듣고, 우리는 시작된 나노 수준의 금융 AI를 가지고 있습니다 그러나 더 중요한 것은 Blockchain입니다 그래서 저는 블록 체 인의 의견을 들었습니다 이것은 유지하는 퍼즐의 멋진 조각입니다, 이것은 마약 돈을 위해 모든 것을 바꿀 수있는 최선의 방법입니다, 당신의 입장은 어디에 있습니까? 나는 우리가 포로 문제를 해결해야한다고 생각합니다

그래서, 그것은 많은 양의 변경되지 않은 계약 능력을 유지하는 데 필요한 계산 그래서 누군가가 어떤 형태로든 그 문제를 해결할 때 에너지로 또는 비 컴퓨터 집약적 접근 방식으로 우리를 죽이지는 않습니다 나는 그것이 벗어날 수 있다고 생각한다 많은 응용 프로그램이있을 것으로 생각합니다 Blockchain에 투자 하시겠습니까? 예

Blockchain에 투자 했습니까? BitMe라고 불리는 훌륭한 회사에서만 Blockchain 회사가 있습니다 Bitcoin의 가장 큰 광산 하드웨어 회사입니다 우리가 투자 할 수있는 이러한 것들의 계층을 볼 때, ICO와 암호, 우리는 사기에 대해 매우 우려하고 있습니다 우리는 Blockchain을 봅니다 우리는 살인자 응용 프로그램을 보지 않거나 전쟁 포로에 대해 걱정하지 않습니다

그러나 투자 관점에서 볼 때, 잃을 수없는 한 곳은 앱이 무엇이든 상관 없습니다 광업은 계속 지켜야 해 예 당신은 CPU를 가져야합니다 삽

삽을 할거야 삽 그래서 우리는 삽을했습니다 금을 위해 돈을 모으는 엘도라도 캘리포니아에 계십니까? 어떤 사람들은 성공했지만, 당신은 이 고정 선물은 모두에게 같은 여행을주기 때문에 맞습니다

Blockchain에 대한 우리의 유일한 투자입니다 좋은 나는 우리가 그렇게하는 것이 현명하다고 생각합니다 당신이 은행이라면, 그리고 방금 틀에 박히지 않고 감춰 놨습니다 바젤 3 (Basel Three) 2008 년의 위기를 초래 한 이러한 모든 규제는, 당신은 말 그대로 수백 개의 규제 및 규정 준수 비용으로 매년 백만 달러를 절감하고, Blockchain에 대해 걱정해야합니까? 은행 일 경우, 저는 사회에 좋을 것이 없기 때문에 저는 스스로를 닫았습니다

나는 우리 모두가 전자적이어야한다고 생각한다 나는 부분적으로 농담하는거야 나는 부분적으로 농담이지만, 부분적으로 심각한 것은 중국에 있기 때문에, 신용 카드 회사는 이미 사라졌습니다 모바일 결제가 이미 인계되었으며 2 % 서구에 배치 된 세금은 사라졌습니다 중국은 그 자체를 해방 시켰습니다

순수하게 사용함으로써 신용 카드를 사용하지 않아도되는 2 퍼센트의 세금, 이것은 블록 체인도 아니고 암호화도 아닙니다 그것은 WeChat에서 교환되고있는 진짜 단골 인민폐 통화 일뿐입니다 내 말은, 중국에서는 항상 전화로 서로 돈을 지불하는 사람들을 보았습니다 아무도 현금을 가지고 다니지 않습니다 사람들은 신용 카드가 없습니다

길가에 사는 거지조차도 거기에 사인을 들고있다 "나는 배고파 스캔이다" 내 생각 엔, 우리는 돈의 미래를 봅니다 Blockchain 또는 Crypto가 있는지 여부 그래서, 말할 수있는 것은, JPMorgan Chase의 Jamie Dimon 또는 Credit Suisse의 유출 물이었습니다

중국에서 실제로 무엇을 배울 수 있습니까? 음, 저는 금융의 미래가 완전히 가상 될 것이라고 생각합니다 나는 은행의 모든 ​​사람들이 일상적인 실험용 쥐와 같은 일을하고 있다고 생각합니다 그들은 AI에 의해 모두 이루어져야합니다 그래서, 은행들이 그냥 떠나지 못하도록하는 많은 규정들이 있음을 알고 있습니다 그러나 나는 은행도 아마있을 것이라고 생각한다

블럭 체인 (blockchain)을 사용하거나 사용하지 않고 스스로를 재발 명하는 데 천천히, 우리는 실제로 가상 화폐로 끝날 것입니다 가상 은행과 적은 비용을 지불합니다 신용 카드 나 2 %의 세금을 내면, 은행들은 분명히 사회에 2 %의 세금을 추가로 내고있다 보험 회사는 확실하게 또 다른 2 퍼센트를 가져 간다 나는이 좁은 인공 지능이 대체 할 날을 찾는다

그 것들을 우리에게 돌려 줄 수있는 6 %의 돈을 돌려줍니다 일부 보험 회사 보험 회사는 위험을 활용하여 살고 있습니다 괜찮아? 인공 지능이 정말로 영리해야한다면, 그것은 "좋아요 가장 큰 위험 요소는 기존의 조건이며, 위험 숫자 2는 귀하의 라이프 스타일입니다

귀하의 신용 점수 또는 라이프 스타일 측정에 사용하는 것이 무엇이든간에 측정됩니다 " 거기에 도착하기까지 AI가 필요하지 않습니다 우리가 더 이상 보험에 가입하지 않는 세상으로가는 것에 대해 걱정하지 마십시오 우리는 단지 승자와 패자가 될 것입니까? 오, 안돼 나는 보험이 있어야한다고 생각한다

보유하고있는 위험 및 필요성에 따라 맞춤화됩니다 그래서 모든 사람들이 디자인 할 수 있어야한다고 생각합니다 자신의 보험에 " 나는 자연 언어로 기술 할 수있다 내가 죽으면 내 가족이이 돈을 많이 갖길 바란다 그래서 얼마를 지불해야합니까? " 클릭 후 개인화 된 정책이 나오면 비용을 지불하게됩니다

기존 조건이있는 경우 두 배나 지불 할 의향이 있습니까? 기존 상태가있는 경우, 내 말은, 당신은 언젠가 당신의 인생에서 이미 존재하는 상태를 겪었습니다 나는한다 정부가 보험 회사가 무언가를해야한다고 강요하기를 원한다면, 내 말은, 그것이 가상적이든 물리적이든 상관없이, 그것을 강요 할 수 있습니다 예, 예, 있습니다 한 번 암에 걸렸을 때 내 의료 보험은 나를 포기하지 않았습니다

나는 다른 어떤 보험 회사도 얻을 수 없다 그래서 나는 이것에 더 매달린다 그러나 지금도 가상 보험에 적용될 수 있습니다 괜찮아 네

저는 코스를 조금 바꿔서 젊은 사람들에 대해 이야기 할 것입니다 우리 Udacity 휄로우의 상당수는 세계에서 당신이 카이 푸 리 (Kai-Fu Lee)의 10 %가 될 수도 있습니다 당신은 우리에게 역할 모델입니다 너무 많은 우리들 자신이 포함되어 있습니다 그러나 당신이 당신의 더 젊은 각자를 직면하는 경우에, 칭화 대학 (Tsinghua University) 또는 Carnegie Mellon University에서

당신은 당신의 어린 자신에게 어떤 충고를 해주겠습니까? 글쎄, 특히 AI의 시대가 다가오고 있다고 생각해 나는 그것이 더 중요하다고 생각한다 젊은 사람들은 마음을 따라하고 일을합니다 열정적 인 이유는 세계가 점점 더 구식이되고 있다고 말하는 이유 때문입니다 왜냐하면, 저는 많은 부모와 많은 일자리가 사회에 존재한다고 생각합니다

우리가 안정적이기 때문에 어떤 일자리가 매우 바람직하다고 생각하게하십시오 안전하거나 고용이 높은 것이 바람직합니다 그러나 인공 지능은 많은 것을 혼란시킬 것이다 예를 들어 방사선 의사를 데리고, 그게, 만약 당신이 의대에 간다면 방사선과 의사가되지 마세요 dermatologist도하지 마십시오

예 바로 그 거예요 피부과 의사가되지 마십시오 네 그 일에 대해 몇 가지 일을하셨습니까? 너와 앤드류는 모두 위대한 일을하고있다 그러나 연구원이 되십시오

권리? 그래서, 하나는 당신이 잘하는 것과 당신이 좋아하는 것을하는 것입니다 두 번째는 인공 지능이 대체 할 것으로 알고있는 것입니다 그 지역에 가지 마라 AI가 향상시킬 영역으로 이동하십시오 AI를 직업 파괴자 또는 일꾼으로 생각하십시오

AI가 취업 향상 프로그램이 될 수있는 작업을 선택하십시오 의학 연구원이 되십시오 권리? 그것은 큰 영역입니다 그러나 일부 직업은 사라질 것입니다 또한 인간 상호 작용 기술을 향상시키는 것이 중요하다고 생각합니다

그것이 AI가 할 수없는 한 가지이기 때문에, 그게 진정한 인간의 손길이며, 그건 연민, 공감, 이타주의, 연결, 사람들과의 신뢰, 그 부드러운 기술이 때로는있는 것입니다 항상 전화를 보냈던 젊은 사람들이 잊어 버렸습니다 그래서, 친구 사귀는 시간을 보내고, 팀워크 활동으로 AI 시대 이전에도, 우리는 기업에서, 실제로 강한 EQ를 가진 사람이 IQ보다 더 중요합니다 물론 둘 다 원한다 그러나 다른 모든 것은 평등합니다

당신은 둘 다 기본 수준을 가지고 있습니다 높은 EQ를 가진 사람은 일반적으로 자신의 커리어에서 실제로 진보하는 사람입니다 흥미 롭 군 마지막 질문 하나만 드리겠습니다 나는 그 대답이 무엇인지 안다

그러나 당신이 우리를 인도 할 사람이기 때문에 나는 어쨌든 묻고 싶습니다 자신을 컴퓨터에 업로드 할 수있는 시대가있을 것이라고 생각하십니까? 나는 안된다고 말할거야 나는 – 못? 나는 그런 일이 일어나기 싫어 세계의 역사 학자들은 여기에 잠깐 주목하십시오 세계 전문가 인 카이 푸 리 (Kai-Fu Lee) "우리는 결코 상자에 넣을 수 없을 것이다

" 글쎄, 나는 결코 그것을 할 수 없다는 말은 아니다 저는 대답이 '아니오'라고 말해주고 싶습니다 그 이유는 우리의 삶은 우리의 죽음 때문에 의미가 있다고 생각합니다 불멸에 대한 이러한 추구는 우리가 어떻게 삶을 살아야하는지에 대한 이유를 혼란스럽게 할 것이며, 저는 수천 년 동안 우리가 축적해온 많은 지혜가 있다고 생각합니다 우리가 사람들에게 불멸을 제공한다면, 나는 인류가 매우 부정적인 방식으로 바뀔 것이라고 걱정한다

가능하거나 불가능할 것으로 예상하지는 않습니다 그러나 나는 그렇게하지 않기를 아주 좋아할 것입니다 Calico의 중국어 버전에 투자 하시겠습니까? 인간의 수명을 두 배로 늘리려고합니까? 근속 기간을 늘리거나 불멸을 창조하기 위해서? 수명 연장 너를 두 배나 오래 살기 위해서 수명 연장

괜찮아 그렇습니다 [알아들을 수 없는] 글쎄, 우리 몸 200? 250? 우리의 몸은 무엇을 위해서만 내구성이 있습니까? 120 년

권리? 어떻게 알았어? 어쩌면 자녀의 몸은 더 오래 살 수 있습니다 나는 우리 몸이 이미 독소와 그런 것들에 의해 망가 졌다고 생각한다 120 번 들었다 하지만 장수를 두 배로 늘리는 것이 중요하다고 생각합니다 제 생각에, 저는 그것에 투자하고 싶습니다

괜찮아 지금, 나는 나의 마지막 질문을 어 기지 않았기 때문에, 나는 마지막 질문이다 오늘날 논의 된 모든 위대한 것들 중에서, 인간의 두 배의 수명에서, 차가운 융합, 날으는 자동차 또는 모든 질병을 치료하는 것 30 년이나 40 년 동안 실제로 다음에 어떻게 될 것이라고 생각합니까? 글쎄, 나는 많은 일이 일어날 것이라고 생각한다 나는 자동차가 분명히 일어날 것이라고 생각한다

자율 차량이 분명히 발생할 것이며, 좁은 AI가 절반의 일자리를 얻었고, 그건 분명히 일어날 것입니다 그것은 크다 네 현재 많은 전통 기관 사업을 그만 둔다는 것은 확실합니다 나는 면역학 같은 것들에 진전이있을 것이라고 생각한다

우리의 삶의 연장, 장수 CRISPR이 좋은 방향을 찾을 수 있기를 바랍니다 우리가 더 잘할 수 있도록 도와 줄 수 있습니다 또한 AI는 분명히 몇 가지 작은 재앙을 일으킬 것이라고 생각합니다 바라건대, 우리는 그것을 통제 할 수있는 입장에 서게 될 것입니다

카이 푸 리, 시간이 없어, 그래서 나는 재해가 무엇인지 질문 할 수 없다 하지만 네가 여기에있을 수있어서 정말 기쁩니다 고맙습니다 당신은 내 역할 모델 중 하나입니다 나는 당신을 20 년 이상 알고 지 냈습니다

오늘 Udacity에서 당신을 무대에 올리게되어서 너무 기쁩니다 고맙습니다 고맙습니다 이 책을 구입하십시오 감사

How to Automate Your Store’s Customer Service with Google AI

상점을 키울 때 브랜드가 많은 기업가 마케팅에만 집중 페이스 북에 초첨을 맞추다 광고 및 전환율 그런 것들

이건 괜찮아 그러나 가장 성공적인 전자 상거래 브랜드에는 고객에 대한 큰 강조 경험 제프 베조스 (Jeff Bezos) 우리가 잘 해낸 이유 우리의 동료 중 마지막 인터넷 공간 우리가 가지고 있기 때문에 6 년 레이저처럼 집중 고객 경험 당신이 할 수있는 방법 중 하나 고객 경험 향상 에서 회신하여 고객과 잠재력 고객은 더 빠릅니다 너가 할 때 이것은 아주 어렵다

필요한 모든 일을 다하라 그것을하기 위해 성공적인 브랜드이므로 비디오 나는 당신에게 어떻게 보여줄 것인가? 당신은의 80 %를 자동화 할 수 있습니다 답장하는 일 고객 질문 페이스 북의 메신저 그럼 왜 페이스 북의 메신저 이미 실행 중입니다

격려하는 페이스 북 광고 고객이 논평하고 메시지 사람들은 이메일 채팅을 선호합니다 페이스 북의 메신저는 가장 큰 채팅 플랫폼 약 1 포인트 30 억 월간 활성 사용자 구독자를 만들 수도 있습니다 시장에 내놓을 수있는 목록 90 %의 오픈 요금이있는 경우 당신은 더 많은 것을 배우고 싶다

그 다른 동영상보기 에 집중할 예정이다 고객 서비스 자동화 메시지를 통해 내가 어떻게 이것이 어떻게 작동하는지 보여 드리겠습니다 제가 가게를 운영하고 있다고 가정 해 봅시다 그 보충제를 판매하는 사람들의 기억력 향상에 도움 고객에게 집중 배송에 대해 질문이있다

타임스 꽤 일반적인 것입니다 몇 시간을 기다리는 대신 그들에게 돌아 가려고 당신이 설정할 수 있습니다 이와 같은 즉각적인 응답 하나 그럼 이걸 살펴 봅시다

응답 여기에 세 부분이 있습니다 기대를 올바르게 설정 이봐, 이봐 우리는 자동 도우미가 아닙니다 인간 인척

이것은 매우 중요하다 사람들이 좋아하지 않기 때문에 그냥 바보 같은 인간과 이야기하기 하지만 괜찮아 즉각적인 응답 그게 어쩌면 습관만큼이나 인간은 분명히 그들에게 주겠지 만 그것은 옳다

지금 당장 대답 해 두번째 그럼 분명히 질문을하고 또한 그것을위한 방이 거기에 없다 정확히 맞아 우리가 그들에게 우리가 얻지 못하는 경우에 대비해 100 % 맞아

그러면 마지막 부분이 링크됩니다 그것과 그것의주는 선택권에 그들이 느끼는 것을 확인하고 들었어 그래서 당신이 알고 있다고 말하면서 도움이되는 예 또는 아니오 친절 그 중 일부는 정말하고있어 우리에게 도움이되는 것들

추적 할 때 가장 중요한 점은 고객이 이해한다고 들었다 그냥주는 것이 아니 었습니다 이것이 답입니다 이제 구매하거나 떠나십시오 그래서 이걸주고 있었기 때문에 우리가 추적 할 수있는 끝에 옵션 응답이 얼마나 좋은지 우리가 목표로하고 싶어서 일하고있어

80 %의 사람들에게 예라고 말하면 도움이되었습니다 또한 얼마나 많은 판매가 결과가되고있다 그래서 우리는 몇 가지 기술적 인 부분을 가지고 있습니다 우리가하는 것들 기본적으로 추적을 추가합니다 누군가의 예를 클릭하고 구매하십시오

그래서 이것은 같은 것을 사용하고 있습니다 자연 언어 처리 Google이 Google에 사용하는 보조원 및 Google 홈 이것은 일단 훈련하면 하나의 질문에 그것을 다른 질문을 이해하십시오 같은 의미이지만 다른 의미 말씨 그래서 그것은 단지 키워드를 좋아하지 않습니다 당신이 들어가서 그게 정확히 맞는거야

이것은 모든 것을 배우는 것입니다 시각 그래서 내가 무언가를 묻는다면 조만간 여기에 올거야 빠른 우표입니다 그것도 이해할 것이다

그리고 처음에는 그것이 보일 것입니다 꽤 바보 그러나 시간이 지남에 따라 그것을 훈련 시키십시오 더 많은 youll는 너 자신 만 발견한다 20 시경에 대답해야한다 고객 질문 비율 당신 자신

이제부터는 교육용 인터페이스 및 방법 당신은 이것을 판매 및 고객 지원 팀 이렇게 나는 여유를 얻는다 슬랙은 꽤 좋았어 많은 유연성을 제공합니다 그래서 어떻게 생겼는지 상상해보십시오

고객이 귀하의 상점 및 자동화 doesnt 너는 단지 너를 말하는 줄 알았어 이해하지 못했고 거기에 뛰어 들어가서 할 수 있어요 해당 고객에게 직접 회신 그러나 당신은 또한 그것을 훈련시킬 수 있습니다 그래서 그것을 훈련시키기 위해서 당신은 단지를 클릭하십시오 몇 단추입니다

새 응답을 추가하거나 기존의 것을 선택하거나 다음에 사용자가 묻는 시간 로봇이 할 질문 알다 그래서 시간이 지남에 따라 더 똑똑하고 똑똑합니다 그래서 나는 방금 진짜 이것에 대한 간단한 개요 더 자세히 알고 싶다면 이걸 설정하는 방법과 점점 더 많은 것을 이거 정말 잘 작동 해 나는 어떤 것을 만들고있을거야

이것에 관한 다른 비디오들 그 동안 당신이 배우고 싶다면 더 이 설정을 받아보십시오 사업 그냥 이메일로 나를 쏴 Duncan 채팅 마케팅 담당자 co

kr 및 우리는 신속하게 설정할 수 있습니다 전화하고 고마워

Google AI with Jeff Dean: GCPPodcast 146

[음악 재생] MARK MANDEL : 안녕하세요 에피소드에 오신 것을 환영합니다

주간 Google Cloud Platform 팟 캐스트 번호 146 내 이름은 마크 만델 (Mark Mandel)이고, 나는 언제나처럼 여기에있다 내 동료 인 멜라니 워릭과 멜라니, 어떠니? 안녕, 마크 잘하고있어 잘 지내? 나는 잘하고있어

나는 아주 잘하고있다 오늘의 에피소드에 매우 흥분됩니다 멜라니 워릭 : 예, 이번 주 특히, 우리는 Jeff Dean과 함께 할 수있게되어 매우 기쁩니다 MARK MANDEL : 네 멜라니 워릭 : 너에 대해 들었을지도 모를 사람 Google과 AI에 대해 조금 알고있다

TensorFlow 및 TPUs 및 대형 데이터 시스템과 고양이에서 사용할 수 있습니다 [CAT PURRING] 너는 그 사람에 대해 들었을지도 모른다 MARK MANDEL : 고양이 네, 고양이 어쨌든, 모든 것

MARK MANDEL : 그것은 중요합니다 그래 좋아 멜라니 워릭 : 컴퓨터 시스템, 하드웨어 및 모든 것 그래서 우리는 그와 큰 대화를 나누었습니다 이 주제들을 많이 다루었습니다

네, 그렇습니다 멜라니 워릭 : 그러나 이유의 일부 왜 이번 주 인터뷰를했는지 이번 주는 Deep Learning이기 때문에입니다 Indaba, South의 Stellenbosch에서 일어나고 있습니다 아프리카

그리고 그것은 연구원들을 모으고 있습니다 아프리카 대륙 내의 여러 나라에서 온 지식을 공유 할 수 있습니다 제프 딘 (Jeff Dean)이 거기에서 말하려고합니다 나는 또한 에피소드를 녹음 할 예정이다 그래서, 우리는 조금 강조하고 싶었습니다

우리는 실제로 그것에 대해 팟 캐스트에 들어 가지 않습니다 나중까지,하지만 당신은들을 수 있어요 그가 이야기 할 내용을 들어보십시오 회의에서 언제나처럼, 우리가 그것에 들어가기 전에, 우리는 일주일의 멋진 것들로 시작할 것입니다

그리고 우리는 그주의 질문으로 끝날 것입니다 그리고 우리는 특별한 손님이 합류했습니다 우리는 그주의 질문을 돕기 위해, IoT 코어에서 표시 할 데이터를 얻는 방법 웹 프런트 엔드에서 실시간으로? MARK MANDEL : 예, 우리는 Gabe Weiss를 오늘 우리와 함께합니다 GABE WEISS : 안녕, 친구 멜라니 워릭 : 그럼, 시작하자

일주일의 시원한 것들, 내가 잡은 것 Google이 최근에 베타 데이터 세트 검색을 실시한 것입니다 그래서 저는 이것을 실제로 잡았습니다 Ben Hamner, Kaggle의 CTO 인 CTO는 오늘이를 트윗했습니다 그리고 구체적으로 그는 어떻게 알았습니까? 이렇게하면 열린 데이터 세트에서 메타 데이터를 색인화하는 데 도움이됩니다 사람들에게 매우 유용해야합니다

연구자와 공개 데이터 세트에 관심이있다 그들을 탐험하고 싶다 그래서 우리는 그것에 대한 링크를 포함시킬 것입니다, 그러나 그것은 꽤 많이 있습니다 검색 도구 Google 검색 도구로 데이터 세트에만 사용됩니다

MARK MANDEL : 굉장해 나는 내가 좋아했던이 정말로 냉정한 것에 대해서 이야기하고 싶었다 우리는 공개 데이터를 확대하고 있습니다 지형 공간 및 ML 기반 분석을위한 세트 클라우드에서 다시 들었을 수도 있습니다

BigQuery 스토리지 5 페타 바이트를 추가로 발표했습니다 공개 데이터 세트에 사용할 수 있습니다 블로그 포스트에서 우리는 쇼 노트에 링크 할 것이고, 우리는 또한이 추가 저장 장치가 향후 5 년 동안 사용할 수 있습니다 정말 멋지다 다음부터는 7 개의 새로운 데이터 세트가 탑재되었습니다

미국의 경계를 정의하는 우편 번호 같은 것들과 같은 것들에 의해, 기본적으로 지형 공간 질의를 지원합니다 그래서 우리는 당신을 위해 거기에 새로운 데이터를 가지고 있습니다 지형 공간 작업 수행, ML 기반 분석 수행 이제 BigQuery에서 사용할 수있는 새로운 ML 툴킷을 사용하십시오 그리고 만약 당신이 그 중 하나를 이용하고 싶다면, Google Cloud Platform으로 이동하십시오 시장

이동할 수있는 데이터 세트 필터가 있습니다 그리고 마지막으로, 우리는 당신을 위해 약 101 개의 다른 공개 데이터 세트가 있습니다 BigQuery에서 재생할 수 있습니다 그리고 테라 바이트까지 쿼리 할 수 ​​있습니다 BigQuery에서 무료로 제공됩니다

꽤 놀랍습니다 멜라니 워릭 : 우리가 언급하고 싶은 또 다른 것, 다시 Kaggle과 Google AI를 참조하면서, Kaggle을 통한 새로운 도전이 있다는 것입니다 Google AI가 게시 한 사용자와 Kagglers를 격려하기 위해 거기 밖으로있는 모델을 개발하기 위해 데이터 세트에 존재하는 사각 지대에보다 강하다 우리는 과거에 이것에 대해 이야기했습니다 많은 사람들이 기계 학습 편견과 공정성에 대해 논의합니다

특히, 당신도 알다시피, 정말로 유래합니다 데이터 자체와 데이터가 실제로 어떻게 될 수 있는지 네가 모은 것에 편향되다 그러면 이것이 어떻게 구축 된 모델에 영향을 미칠 수 있는지에 대한 것입니다 그래서 그들의 도전은 구체적입니다 그것을 설명하기위한 기술과 접근법을 확인하는 것을 돕는다

병을보다 견고하게 만들 수 있습니다 이 과제는 특히 두 단계로 실행되도록 설정됩니다 그들은 웹 사이트에서 정보를 얻었습니다 우리는에 대한 링크를 유지할 것입니다 그러나 그것은 NIPS의 시간을 감싸 할 것입니다

올해 12 월 말입니다 그래서 그걸 확인하고 실험해볼 수 있습니다 마크 AND델 : 훌륭합니다 나는 또한 우리가 톱 100을 조사하고 있었다는 것을 언급하고 싶다 최근 아이튠즈에서 포드 캐스트 기술을 선보이고있다

[트럼펫 게임] 멋진 데요 듣고있는 모든 사람들에게 진심으로 감사드립니다 iTunes에서 우리를 평가 한 사람들, 기본적으로 팟 캐스트를 지원했습니다 그것은 정말 좋은 작은 일입니다 멜라니 워릭 : 네

그리고 마지막으로,하지만 적어도, 당신이 원한다면 깊은 학습을 위해 TPU가 미세하게 조정 된 이유를 알고 싶다면, 우리는 공유 할 블로그 게시물을 가지고 있습니다 당신이 이것을 들여다 볼 수 있습니다 그리고 우리는 이것이 특히 중요하다고 생각했습니다 오늘의 에피소드와 관련성이 있습니다 그러나 그것은 신경망이 무엇인지를 단계별로 안내합니다

TPU 작동 방식을 안내합니다 CPU와 비교할 때 유용합니다 그리고 멋진 그래픽을 볼 수 있습니다 너를 밟아서 좋은 일을해라 시각적으로 보입니다

좋아요 멜라니 워릭 : 그리고 일부 가격 정보 하단에도 마크 멘델 : 아주 멋지다 알았어, 마크 나는 우리가 나아가서 그것에 들어가야한다고 생각합니다

제프와 좋은 인터뷰를했습니다 MARK MANDEL : 친구 인 Jeff와 이야기하러 가자 멜라니 워릭 : 네, 제 친구 우리는 카드를 사용합니다 우리와 함께 오늘 제프 딘 (Jeff Dean) Google AI를 이끌고 있습니다

제프와 함께 해주셔서 감사합니다 제프 딘 : 저를 아주 많이 보내 주셔서 감사합니다 멜리안 워릭 : 제프, 제 말은, 많은 사람들을 알고 있습니다 네가 누군지 알아 그러나 우리는 항상 모든 사람들에게 누가 쇼에 나와서 자신에 대해 조금 말하면서, 당신의 배경은 무엇입니까? 물론이지

따라서 현재 Google의 AI 부서를 이끌고 있습니다 내부적으로 Google은 Google Research and Machine 지능형이지만 외부 적으로는 Google AI를 사용할 수 있지만, 우리가 누구에게 말하는지에 따라 그리고 그 조직은 많은 다른 종류를합니다 컴퓨터 과학 연구 근본적인 연구를하고 있습니다

새로운 로그와 새로운 기법을 만들어 문제를 해결합니다 Google은 Google 제품 영역에서 상당한 업무를 수행합니다 흥미로운 연구 문제를 해결하기 위해 제품의 맥락에서 우리 연구의 종류를 얻는다 모두가 알고 사랑하는 Google 제품으로 사용합니다 우리는 또한 일종의 시스템에 대해 좀 더 많은 작업을 해왔습니다

우리 연구를 가능하게하는 인프라, 하지만 내부 개발자가 사용할 수있는 도구를 만들 수도 있습니다 Google뿐 아니라 외부 개발자 우리가 소스 물건을 열 때 그래서 TensorFlow는 우리 그룹에서 나왔습니다 인기있는 기계 학습 툴킷입니다 우리는 이것이 실제로 확장하는 좋은 방법이라고 생각합니다

우리가하고있는 연구의 영향, 사람들이 그 다음에 작업을 쉽게 할 수 있도록하는 것입니다 우리가하고 있고 좋은 도구를 사용할 수 있습니다 그리고 네 번째 종류의 것 우리가 일반적으로하는 일은 Google 현재 우리 연구가 할 수 있다고 생각하는 곳에서 일하지 않습니다 큰 영향 그래서 우리는 일종의 기계에 대해 많은 연구를 해왔습니다

건강 관리를위한 학습, 로봇 공학을위한 기계 학습, 우리는 그러한 것들이 새로운 떠오르는 분야라고 생각하기 때문에 기계 학습 및 연구 큰 차이를 만들 것입니다 멜라니 워릭 (MELANIE WARRICK) : 당신 팀이하는 일의 관점에서, 너에게 어떤 의미가 있니? 그리고 그것은 당신을 위해 어떻게 생겼을까요? 이제는 – 이것이 아주 새로운 입장이라는 걸 알기 때문에, 당신이 Google AI의 리더로서 어느 정도까지 올해 말이야, 그렇지? 네, 그렇습니다 저는 3 월 말, 4 월 초에이 역할을 맡았습니다 기본적으로 우리의 위대한 연구자들에게 영감을주는 것이 목표입니다 훌륭한 연구를하고 태클을하기 중요한 야심적인 문제들

우리가 일해야한다고 생각해 월요일 코딩을 보내고 있습니다 오, 와우 제 동료 : 산 제이 Ghemawat, 나는 오랫동안 함께 일해 왔습니다 나는 아마 4 ~ 5 개의 다른 프로젝트를 갖고있을 것입니다

나는 실제 기술 수준에서, 주간 회의에 참석하는 곳 기술적 제안 등을하십시오 그리고 나서 나머지 시간은 보냈습니다 합리적으로 큰 조직을 조종하려는 종류 올바른 일을하고 확실하게하기 우리는 올바른 문제에 집중하고 영향력을 행사할 수 있습니다 MARK MANDEL : 굉장해 멜라니 워릭 : 나는 궁금한데, 무엇을 코딩하고 있니? 제프 딘 : 대부분 C ++

오, 재미 있네 그래서 나는이 질문을하는 것을 좋아한다 AI와 ML에서 일하는 사람들에게, 우리가 다양한 대답을 얻었 기 때문입니다 AI가 당신에게 의미하는 것은 무엇입니까? 제프 딘 : 기본적으로 문제를 해결할 수있는 컴퓨터 시스템을 가질 수있다 당신은 인간의 지능이 필요하다고 생각할 것입니다

Mark MANDEL : 사실 그것은 우리가 가진 가장 간결한 대답 멜라니 워릭 : 예, 꽤 간단합니다 글쎄, 당신이하는 일의 관점에서, 당신은 무엇을합니까? 당신이하는 가장 큰 도전 과제 중 하나라고 생각합니다 반대? 제프 딘 : 정말로, 그것은 흥미로운 시간입니다 컴퓨터 과학 연구 분야에 종사하다 기계 학습 연구 이 분야에 대한 관심이 폭발적으로 증가하고 있습니다

마지막으로 아마 7 ~ 8 년 동안, 공동으로, 연구 공동체로서, 우리는 컴퓨터가 할 수있는 것을 정말로 추진해 왔습니다 나는 이것이 컴퓨터 비전에서 가장 눈에 띄는 종류라고 생각한다 근본적으로 깊은 학습을 사용하는 분야 컴퓨터 비전 모델이 갑자기 컴퓨터를 변형 시켰습니다 지금부터 잘 볼 수 없다는 것에서 실제로 볼 수 있습니다 그리고 세계에 대한 영향을 생각한다면 가지고있을 것이고 이미있다

그게 변형 적입니다 갑자기 자동화 된 기계를 가질 수 있습니다 그들 주위의 세계를 인식 할 수 있고, 그들이 무엇을보고 있는지 이해할 수 있습니다 그리고 그것은 일반적인 컴퓨터 비전에 큰 영향을 미칩니다 따라서 많은 경험을위한 핵심 원동력입니다

Google 포토는 Google 사용자에게 제공됩니다 우리는 그것이 도버맨 (doberman)의 그림이라는 것을 이해할 수 있습니다 그리고 그것은 산이다 그러나 그것은 또한 건강 관리에서 변형적인 것을 의미합니다 따라서 수 많은 영상 의학 관련 문제 이제 자동화 된 기계로 다룰 수있는 일종의 태클이다

알고리즘 학습 및 지원 그런 식으로 의료 전문가의 일종 멜라니 워릭 : 네 로보틱스, 아주 분명합니다 로봇을 만들고 싶다면 매우 도움이됩니다 로봇이 볼 수 있다면

멜라니 워릭 : 네 그래서, 큰 의미가 있습니다 그리고 나는 우리가 중대한 진전을 이루고 있다고 생각한다 기계 학습과 관련된 다른 분야에서, 자연어 이해와 연설 같은 것들 인식 지난 6 ~ 7 년 동안 엄청난 발전을 보았습니다

연령 그리고 그것은 정말로이 모든 기회가 있음을 의미합니다 우리가 어떻게 이러한 새로운 기능을 사용해야하는지에 대해 세상에 영향을 미치고 더 나은 곳으로 만들기 우리가 이전에 만들 수 없었던 새로운 것을 만들어야합니다 그리고 그것이 흥분이라고 생각합니다 그리고이 분야를 연구하는 데있어 사람들은이 분야에서 연구를합니까? 더 많은 사람들이 어떻게이 분야에 들어가 연구를 할 수 있을까요? 멜라니 워릭 : 그래서 우리는 올해 초에 Fei-Fei Li 박사와 클라우드 인공 지능을 둘러 봤습니다

우리는 너무 오래 전 DeepMind에서 Raia Hadsell과 이야기를 나누었습니다 일부 로봇 연구에 대해 이야기했습니다 그들이하는 일 Brain과 Google AI는 어떻게 협력합니까? 다른 그룹들과? 네 맞습니다

따라서 우리는 실제로 강력한 협력 관계를 유지하고 있습니다 모든 Google 및 전체에 걸쳐 많은 분야에서 알파벳의 예를 들어 클라우드 AI에서는 그들이 시장에 내놓는 일종의 Google AI Research에서 연구 프로젝트로 시작되었습니다 분할 그리고 우리는 지금 긴밀히 협력하고 있습니다

AutoML 연구와 같은 것들을 가져 오려면 클라우드 AutoML, 현재 컴퓨터 비전 또는 다른 종류의 고객 어쩌면없는 문제들 직원이 정교한 기계 학습 개발자 그러나 활용할 수 있기를 원한다 현재 존재하는 기계 학습 기능 중 자동으로 훈련하고 배울 수있는 시스템을 갖추고있다 고객이 가질 수있는 새로운 문제를 해결할 수 있습니다 어셈블리에 깨진 부품이있을 수 있습니다 라인과 깨진 부분이 아니며 구별 할 수 있기를 원한다

그리고 그들은 기본적으로 그 이미지들을 업로드 할 수 있습니다 그 (것)들을 돕는 훈련 한 모형을 얻으십시오 그 특별한 일로, 심지어 가질 필요없이, 일종의, 마스터 레벨 머신 직원에 대한 학습 전문가 멜라니 워릭 : 의미가 있습니다 특히 열정의 분야 중 하나를 알고 있습니다 그리고 당신이 중요한 영향을 미쳤던 곳에서, 특히 텐서 처리 장치 (TPU) 주변에 있습니다

처음 개발을 추진하거나 고무시키는 요인 TPUs의? 그리고 전에 네가이 대화를 나눴다는 것을 안다 하지만 아시다시피, 특히 당신의 경험에서 네가 따라 와서 시작하는 기술로 그게 너 한테 왔니? 네 맞습니다 그래서 저는 항상 컴퓨터가 어떻게 흥미로운 문제를 해결하십시오 그리고 그 일을하는 흥미로운 방법 중 하나는 당신이 할 수있는 문제에 더 많은 계산을 필요로한다

더 정교한 알고리즘을 사용하십시오 또는 더 큰 데이터 세트를 사용하여 더 나은 통찰력을 이끌어 낼 수 있습니다 따라서 더 많은 계산을하는 것이 일반적입니다 컴퓨팅에서 좋은 점 그리고 어쩌면 2011 년, 2012 년경에, 내가 공동 설립 한 Google Brain Project 시작하기 만하면 시작했습니다

여러 제품 팀과 공동 작업 Google에서 일부 제품에 대한 심층 학습을 사용합니다 그리고 우리가 가장 긴밀하게 협력 한 음성 인식 팀이 더 오래된 스타일의 기계 학습 모델의 종류 음성 인식에 사용하고 있었다 그것의 어쿠스틱 부분에 대한 깊은 학습 기반 모델이 있습니다 모델의 일부분은 매우 작은 오디오 녹음에서 단어의 일부로 이동합니다 "buh"또는 "fff"또는 "sss"입니까? 그래, 맞아

제프 딘 : 그리고 다른 모델이있었습니다 처음에는 집중하지 않았고 처리의 그 단계 후에 종류 그러나 어쿠스틱 모델을 깊은 학습 기반으로 대체하는 것은 음향 모델은 인식 정확도에서 많은 이득을 얻었다 그래서 우리는 음성 인식이 향상됨에 따라, 사람들은 점점 더 그것을 사용할 것입니다 그래서 나는 백 앤 더 봉투를 만들기 시작했습니다

사람들이 말하기 시작하면 어떻게 될까? 하루에 3 분간 전화를 걸 겠지? 연설로 모든 이메일을 초안으로 작성하기 때문에 또는 뭔가 그리고 당시에는 많은 CPU가있었습니다 우리의 데이터 센터에서 그리고 얼마나 많은 계산을했는지 1 억 명의 사용자가 그 일을 시작 했어 사실 그건 발굴과 무서운 종류

기본적으로 컴퓨팅 풋 프린트를 두 배로 늘려야합니다 약간 더 나은 연설처럼 지원하기 위해 Google의 사용자의 적당한 부분에 대한 인식 모델 MELANIE WARRICK : 합법적 인 것 같습니다 네, 조금 무서운 것 같아요 그래, 맞아

제프 딘 :하지만 우리가 그걸 배포하고 싶은 것이 분명합니다 인식 정확도의 향상 사실 꽤 중요합니다 그래서 우리는 잘 보았습니다 우리는 이러한 종류의 심층 학습 모델을 위해 무엇을 할 수 있습니까? 그것은 계산 상 효율적일까요? 그리고 정말 좋은 두 가지 속성이 있습니다 깊은 학습 모델에는 있습니다

그래서 처음에는 정밀도가 떨어지는 것에 매우 관대합니다 근본적으로, 당신이 정밀도를한다면 정확도의 10 진수 한 자리까지 이것은 실제로이 모델들에 대해서는 완벽하게 훌륭합니다 6 자리 또는 7 자리의 정밀도가 필요하지 않습니다 부동 소수점 연산이나 심지어는 이중 조합에서 더 많은 것 그리고 그들이 가지고있는 두 번째 재산 모든 알고리즘이 구성되어 있다는 것입니다

빌딩 블록의 소수의 다른 구성의, 근본적으로 행렬 곱하기, 벡터 점 제품 선형 대수학 작풍 따라서 하드웨어 만 만들 수 있다면 저 정밀도, 선형 대수학, 당신은 황금이에요 그리고 그 덕분에 당신은 정말로 재단사가 될 수 있습니다 그걸 할 수있는 하드웨어 그것은 모든 종류의 twisty branch-y C ++ 코드를 수행 할 필요가 없습니다

임의의 것들, 포인터 역 참조, 단지 저 정밀도 선형 대수학, 갑자기 당신은 완전히 디자인 할 방법을 다시 생각할 수 있습니다 그 일을하는 컴퓨터 MARK MANDEL : 정확히 무엇에 집중했는지 그것이 할 수 있는지, 특정 응용 프로그램이 있음을 의미합니까? TPU가 더 좋거나 나쁘다 네가 뭔가를 사용할 수 있다고 또는 어떻게 작동합니까? 네 맞습니다

그래서 이것은 양날의 칼 중 하나입니다 전문 분야가 지나치게 전문화되면 일반적으로 적용 할 수 없습니다 그러나 당신이 무언가를 매우 일반적으로 적용 가능하게 만든다면, 다음 모든 성능 이점을 얻을하지 않습니다 전문화에서 얻을 수 있습니다 그리고 우리는 실제로 TPU에 대해 꽤 좋은 균형을 택했다고 생각합니다

그들은 본질적으로 가속하도록 설계되었습니다 깊은 학습에서 발견 한 것과 정확히 같은 종류의 작업 모델 따라서, 그들은 범용 일종의 전산 장치가 아닙니다 그러나 그들은 특정 모델에 맞춰져 있지 않습니다 그들은 모든 종류에 맞춰져있다

일반적으로 깊은 학습 모델을 발견 할 수 있습니다 그래서 당신은 그들에 비전 모델을 실행할 수 있습니다 음성 모델을 실행할 수 있습니다 반복적 인 언어 모델을 실행할 수 있습니다 최초의 TPU 인 TPU v1이 목표였습니다

오직 추측에서만, 당신이 실제로 어디에서 교육 과정보다 정확도가 떨어집니다 그리고 그것은 우리의 가장 시급한 문제였습니다 그것이 음성 인식 모델을 얻는 방법이었습니다 Google의 데이터 센터 공간을 두 배로 늘리지 않고도 그리고 나서 두 번째 TPU는 정말로 훈련과 추론을 모두 목표로합니다 그리고 우리가 그걸 처음부터 물지 않은 이유는 그 훈련은 훨씬 더 복잡한 하드웨어 디자인이었습니다

문제 추론을 위해서, 보통 당신 단일 모델이되도록 설계 할 수 있습니다 하나의 칩에 적합합니다 그리고 더 많은 용량이 필요하다면 그 시스템의 사본을 많이 넣고 많은 컴퓨터의 많은 보드, 갑자기 많은 음성 인식 기능이 있습니다 생산 능력

교육을 위해 대형 모델에서는 거의 사용하지 않습니다 당신은 하나의 칩을 충분히 빨리 얻을 수 있습니다 매우 빠른 모델을 훈련 그리고 당신이 정말로 훈련에서 원하는 것 기계 학습 실험을위한 빠른 처리 시간입니다 또는 거대한 확장 성을 제공하므로 매우 큰 모델을 매우 대용량 데이터 세트는 매우 신속하고 연구 관점에서 기계를 반복 할 수 있습니다

또는 배포 된 시스템, 알다시피, 당신은 10 분마다 모델을 재교육하고 싶을 수도 있습니다 데이터가 변경되기 때문입니다 칩 설계 문제 만은 아닙니다 실제로는 전체 컴퓨터 시스템입니다 슈퍼 컴퓨터 디자인 문제와 비슷합니다

당신은 칩을 가지고 있고 그 다음에 칩을 가지고 있습니다 복잡한 상호 연결이있다 그것들을 서로 연결합니다 이 거대한 것을 어떻게 식히는 지에 대한 냉각 문제가 있습니까? 여러 개의 랙으로 구성됩니다 그래서 우리가 첫 번째 시스템에서 그 것을 물지 않은 것입니다

TPU의 두 번째 반복까지 기다리기로했다 교육에도 착수하는 디자인 멜라니 워릭 : 그리고 당신은 올해 버전 3을 발표했습니다 TPUs의뿐만 아니라 네

네 멜라니 워릭 : 그리고 나는 기억하고있다 그 냉각 시스템, 이제 액체 야? 네 팬시 제프 딘 : 그러니까, 네, 예, 예, 예, 그것은 환상적이다

컴퓨터와 물을 섞을 때마다 언제나 흥미 진진합니다 [웃음] 그래서 Sundar가 Google I / O에서 발표 한 TPU v3 2018 년 5 월에 근본적으로 물이 냉각되었습니다 그래서 보드에는 4 개의 칩이 있습니다 그리고 물의 냉각 종류가 간다 이 칩의 표면에 과도한 열을 빼앗아 간다

가장 큰 설치 면적 – 우리는 이것들을 포드라고 부릅니다 TPU v2 포드는 기본적으로 구성되었습니다 64 개 장치 중 256 개 TPU v2 칩 그리고 TPU v3의 포드 스케일은 훨씬 더 큽니다 그래서 우리는 약 8 배의 계산량을 가지고 있습니다 우리가 TPU v2 포드에서했던 것처럼 TPU v3 포드에서

너의 팀에있는 몇명의 사람들을 안다 특히 Stanford DAWNBench를 실행하고있었습니다 그들은 차이점을 보여주었습니다 그것의 성과의 점에서 지금 당장 ImageNet과 같은 모든 것들이 내 머리 속으로 들어갑니다

그러나– 나는 그렇게 부른다 멜라니 WARRICK : – 대황 벤치 – 제발 JEFF DEAN : DAWNBench는 새로운 기계 학습입니다 벤치 마크는 스탠포드, 설계된 DAWN 연구 그룹 다양한 종류의 기계를 보는 것 학습 문제, 훈련과 추론, 그리고 측정 몇 가지 다른 통계 그래서 그들 중 하나는 특정 기계 학습을위한 것입니다

문제, 특정 수준의 정확성에 얼마나 빨리 도달 할 수 있습니까? 그것은 그 문제에 대한 정확도의 좋은 수준입니까? 그리고 그 중 하나는 ImageNet 처리 벤치 마크이며, 어디에서 76 % 1 위의 정확도를 얻어야합니다 MELANIE WARRICK : 그리고 이것은 이미지를 분류하는 것입니다 제프 딘 : 이미지 분류, 맞아 MELANIE WARRICK : ImageNet은 매우 좋습니다 네, 그렇습니다

멜라니 워릭 : 그리고 이것은 당신이 – 당신은 컬러 이미지를 얻습니다 그것을 1,000 개의 범주 중 하나로 분류해야합니다 그것의 실제로 꽤 어려운, 인간의 오류율 1 위의 정확도는 약 5 %입니다 오, 와우 제프 딘 (Jeff Dean) : 개 품종이 40 종류 나되었으므로, 너는 구별 할 수 있어야한다

마크 맹델 : 그럼 TPU가 꽤 괜찮은 것 같아요? 네, 그래서 TPUs는 3 위를 차지했습니다 포드 (Pod)를 사용한 전체 시간 메트릭의 스팟들 그리고 나서 상위 두 곳은 비용으로 생각합니다 퍼블릭 클라우드 컴퓨팅 리소스를 사용합니다 멋지다

WARRICK : 멋지다 자,이 칩들과 함께 일하는 것에 대해 가장 즐기는 것은 무엇입니까? 그리고 병렬 처리 작업? 제프 딘 : 사실 나는 흥분했습니다 꽤 오랜 시간 동안 병렬 처리에 대해, 대학에서 내 고등학교 1 학년 때부터 미네소타에서 병렬 처리 그리고 그 당시 저는 그것에 정말로 흥분했습니다 왜냐하면 나는 더 많은 계산이 답이라고 느꼈기 때문에 더 많은 문제를 해결할 수 있습니다

그리고 이것은 흥분의 첫 번째 물결에서 일종의 것이 었습니다 80 년대 후반에 발생한 신경망에 대해 새로운 알고리즘이 개발 된 90 년대 초반 잠재적으로 처음으로 부상했을 때 어려운 문제를 해결하는 흥미로운 방법 그리고 그 당시, 기본적으로 신경망 장난감 크기의 문제에 대한 흥미로운 결과를 얻을 수 있습니다 정말 재미있는 문제의 규모가 아닙니다 그래서 이것에 대한 흥분의 물결이있었습니다

그러나 그때 흥분의 물결 속에서, 나는 더 많은 계산을 느꼈다 시키는데 도움이 될 것 같았 어 우리는 더 큰 문제를 해결합니다 그래서 저는 교수와 함께 일하는 학부 논문을 만들었습니다 병렬 및 분산 컴퓨팅 클래스를 가르쳤다

나는 독립적 인 논문을 만들었다 신경망의 병렬 교육 그래서 우리가 64 프로세서를 사용할 수있는 것처럼 느껴졌습니다 우리가 부서에 있던 기계와 그것에 평행 방법을 적용하면 우리가 알 수 있습니다 이러한 것들에 적용된 60 배 이상의 계산, 그리고 우리는 더 큰 문제를 확장하고 다룰 수있었습니다 되돌아 보면, 우리는 백만 배나 더 많은 계산이 필요했습니다

60이 아닙니다 근본적으로 무어의 법칙을 기다리고 있다면 적어도 5 ~ 10 년 전까지 만해도, 무어의 법칙 상당히 느려졌다 하지만 그 전에는 25 년, 40 년, 심지어 우리는 일관된 2 배 성능을 얻고있었습니다 개선 2 년마다 너는 충분히 오래 기다린다

갑작스러운, 짜잔, 백만 배나 많은 계산 그리고 당신은 황금이에요 그리고 그것은 2008 년, 2009 년에 시작된 일종의 것입니다 우리는 갑자기 충분한 계산량을 얻었습니다 게임용으로 설계된 GPU 카드를 사용하여, 그러나 분명히 훈련에 아주 유용하다고 판명되었습니다

깊은 학습 모델, 왜냐하면 당신이 많이 가속하기 때문에 그래픽 처리를 원한다 깊은 학습 모델을 훈련 할 수있는 것으로 밝혀졌습니다 그래서 학계에있는 사람들이 우리가 시작했다는 것을 정말로보기 시작했다 실제 문제에 대한 흥미로운 결과를 얻기 위해 신경망 그래, 맞아

제프 딘 : 그러니까 흥분이있었습니다 백업을 구축하기 시작했습니다 멜라니 워릭 : 가장 힘든 일은 무엇인가요? 당신의 경력에 ​​부품? AI가 잘 받아 들여진 것 같지 않았습니다 그 사이에 수년간 공부할 때 수년 동안 2006 년 말이 맞지? 그래서 가장 어려운 순간들은 무엇 이었습니까? 이 관심을 추구하는 측면에서, 이 연구를 추진하고 있습니까? 네 나는 사실이 종류의 일반적인 컴퓨터 시스템으로 온다

사람 그래서 저는 렌즈의 종류를보고 싶습니다 나는 문제를 일으킨다 흥미로운 문제가있다 우리가 컴퓨터 시스템을 어떻게 구축 할 수 있는지 알아 보겠습니다

그 문제를 해결하기 위해 종종 관련이 있습니다 계산 표현을위한 좋은 추상화 우리는 많은 양의 계산을 수행하거나 사용하려고합니다 병렬화하거나 배포하는 방법 알아보기 많은 컴퓨터에서의 계산 그래서 우리는 경쟁을 확대 할 수 있습니다 그래서 저는 학부생으로 일하고 있었지만 신경 네트워크의 병렬 학습 나는 그것의 관점에서오고 있었다 어떻게 할 수 있는가? 우리는 이것을하기 위해 컴퓨터 시스템을 만들었습니까? 그리고 나서 다시 돌아 오기 시작했습니다

2011 년 기계 학습에 관심 Andrew Ng와 충돌했을 때 구글의 마이크로 키트 – 멜라니 워릭 : 그것은 말할 것입니다, 그 이야기는 당신이 마이크로 키친에 있었습니까? 네, 그렇습니다 그래서, 나는 그를 조금 알았고 그래서 나는 말했다 오, 너 여기서 뭐하고 있니? 그는 오, 나는 구글 X에서 일주일을 보낸다 나는 아직 내가 여기서 뭘하고 있는지 알지 못했다 하지만, 알다시피, 스탠포드에있는 제 학생들 어떤 종류의 문제가 있는지보기 시작했습니다

신경망으로 해결할 수 있습니다 꽤 좋은 결과를 얻었습니다 나는 오, 정말? 꽤 괜찮은데 나는 학부생으로서 신경망에 대해 약간의 연구를했다 나는 그들이 지금 정말로 일하고 있다고 말했다

그리고 그는 좋아, 그렇습니다 그래서 저는 우리가 정말로 큰 신경망을 훈련해야한다고 말했습니다 그래서 그것은 일종의 기원이었습니다 구글 브레인 프로젝트를 어떻게 구성 할 것인가에 대한 그렉 코라도와 그리고 우리는 근본적으로 그 당시 가속기가 없었습니다 또는 데이터 센터

그러나 우리는 컴퓨터가 아주 많다고 말했습니다 컴퓨터 시스템을 만드는 방법을 알아 봅시다 정말로 큰 신경망을 훈련 시켜라 멜라니 워릭 : 이것을 활용합시다 제프 딘 : – CPU 사용

MARK MANDEL : 그래서 당신이 좋아하는 순간, 이것은 정말로 큰 일이 될 것입니다 그렇게 생각하니? 제프 딘 : 너도 알다시피, 일단 우리가 조금 더 일했으면, 어쩌면 또 다른 달 물에 빠진 것 같았 어 그게, 헤이, 우리는 실제로 사람들이 신경망을 사용하여 문제를 해결할 수 있습니다 오랫동안 올바른 추상화를 느꼈다 하지만 어쩌면 그들은 진짜 문제에서 갑자기 일하기 시작할 것입니다

우리가 많은 계산을 적용 할 수 있다면 그리고 그것은 정말로 제 많은 관심사였습니다 지난 6 ~ 7 년 동안 어떻게 문제를 계산할 수 있을까요? 당신은 기계 학습으로 태클하고 싶습니다 특히 깊은 학습 멜라니 워릭 : 그래서, 우리는 오늘 이것을 기록하고 있습니다

신경 정보 처리 시스템 회의 이후 – 제프 딘 : NIPS 멜라니 WARRICK : – 밖으로 나와 네, 그렇습니다 멜라니 워릭 : 11 분, 몇 초 만에 제프 딘 : 48 세

멜라니 워릭 : 48 초 제프 딘 : 11 분 48 초 예 멜라니 워릭 : 예를 들어 이것을 사용하고 있습니다 이 분야에는 많은 흥미 진진한 이야기가 있습니다

이 모든 흥분에 대해 어떻게 생각하세요? 알다시피, 과장된 과대 광고가 있습니다 그러나 다른 한편으로, 과대 광고, 그것의 일부 실제로 정당화됩니다 왜냐하면 우리는 이제 실제로 우리가 할 수없는 문제를 해결할 수있는 시스템을 만들 수있다 5 년 또는 10 년 전에 해결하십시오 나는 컴퓨터 비전에 대해 언급했다

음성 인식은 엄청나게 발전했습니다 번역이 향상되었습니다 이러한 종류의 많은 응용 프로그램 실질적인 개선 또는 새로운 기능을 보여주었습니다 어떤 컴퓨터가 할 수 있는지 그래서 나는 그것이 사람들이 흥분하고 많은 사람들로 이루어진 이유 중 일부라고 생각합니다

많은 사람들이 들판에 들어 오기를 원합니다 그래서 기계 학습 수업에 등록하는 것을 보았습니다 학부 및 대학원 레벨 그냥 지붕을 통과합니다 주요 기계를 다니는 사람들이 점점 더 많아지는 것을 보았습니다 회의를 배우기

연구 논문의 수를 봅니다 실제보다 빠른 지수 비율로 성장하는 아카이브 지난 7 ~ 8 년 동안 무어의 법칙보다 그것은 아주 주목할만한 일입니다 그리고 알다시피, 나는 성질을 나타내는 것이 중요하다고 생각한다 우리가 생각하는 사람들의 기대 문제를 해결할 수있는 초 지적 지능을 갖게 될 것입니다 인간이 풀 수없는 일반적인 문제, 향후 6 개월 이내에 그건 한 마디의 마약 중독이야

그것은 분명히 정당화되지 않았습니다 그러나 인식하는 것도 중요합니다 그 컴퓨터는 이제 그걸 꽤 큰 것으로 볼 수 있습니다 그리고 그것은 묶음에 큰 영향을 미친다 다른 지역의

알다시피, 구글은 알파벳으로 여기에있다 자율 주행을하고 있습니다 분명히 컴퓨터 비전과 인식 안전한 자율 차량을 만들기위한 중요한 요소입니다 로봇 공학, 의료 이미징을위한 기계 학습, 다른 의학 응용을위한 기계 학습, 건강 관리 응용 프로그램, 이들은 세계의 주요 문제를 변화시킬 것입니다 그리고 그건 좋은거야

그것이 과장된 이유입니다 과도한 과대 광고를 줄이는 것이 중요합니다 어떤 과대 광고도해서는 안된다고 말하면 안됩니다 우리가 상당한 발전을하고 있다고 생각하기 때문에 어떤 컴퓨터가 할 수 있는지 멜라니 WARRICK : 특히 모든 응용 프로그램 너는 많은주의를 기울이지 않는다고 생각하는 것을 보았다

그러나 꽤 영향력이 있습니까? 네 내 말은, 내가 왔음을 깨달았다 고 생각해 몇 가지 다른 문제 연구원을 보는 것에서 우리 그룹에서 태클을했고 다른 일이 계속되고 있습니다 많은 과학적 문제들에서, 예를 들어, 전통적인 고성능 일부 속성의 컴퓨팅 기반 시뮬레이션, 어떤 과학적인 것 어쩌면 당신은 화학적 상호 작용을 시뮬레이션하고있을 것입니다

매우 정교한 수준 어떻게 전자가 흐르고 어떤 성질을 갖는가? 그게 있니? 또는 지진 결함을 시뮬레이트하고있는 것일 수도 있습니다 너는 아주 상세한 분류가있다 지진 결함에서의 미끄러짐의 물리학 기반 모델 일어난다 그리고 종종 이러한 계산 모델 계산적으로 매우 비싸다

그래서, 알다시피, 당신은 하나의 화학 물질 시뮬레이터를 통해 1 시간 나중에 퀀텀에 대한 정보를 얻습니다 이 화학 물의 성질 또는 무엇이나 물건에 묶이는 속성 그런 식으로 그리고 실제로 시뮬레이터를 교사로 사용할 수 있습니다 그리고 만약 당신이 정말로 비싼 과학 시뮬레이터를 가지고 있다면, 종종 시뮬레이터의 기능을 수행하기 위해 신경망을 훈련 할 수 있습니다 완전히 엔드 투 엔드 (end-to-end) 당신은 시뮬레이터에 먹이를 주었을 것입니다

출력을 얻었고 많은 예제를 실행했습니다 시뮬레이터를 통해 이제 신경망을위한 훈련이 설정되었습니다 몇 가지 다른 도메인에서 Google은 실제로 보이는 사람들은 이것을합니다 그리고 예를 들어, 양자 화학 도메인 인 George Dahl 우리 연구 그룹의 다른 사람들은 일부 화학자들과 함께 연구했습니다

다른 대학에서 시뮬레이터를 가져 갔다 그들은 그것을 사용하기 위해 신경망을 훈련 시켰고, 이제는 정확도를 구분할 수 없습니다 원래 종류의 HPC 스타일 시뮬레이터와 비교합니다 그러나이 도구는 30 만 배 더 빠릅니다 MARK MANDEL : 와우

제프 딘 : 그리고 언제든지 당신의 도구를 가져 가세요 그리고 당신은 그것을 30 만 배 더 빨리 만든다 과학을 어떻게 할 것인가? 당신은 상상할 수 있습니다, 아, 나는 커피를 만드러 갈거야 1 억 개의 분자를 가려 내고 내가 돌아 왔을 때, 나는 10,000을 볼 것이다 가장 흥미 롭습니다

그리고 Brendan Meade와 같은 일이 일어났습니다 방문 하버드 대 교수진 캠브리지에서 1 년 동안 우리 그룹을 방문했습니다 지진 과오 시뮬레이션에 많은 노력을 기울였습니다 그는 직장에서 그는 단지 그가 우리를 방문하기 전에, 그가 지진 결함 시뮬레이션 내부 루프를 종류로 대체 세계에서 가장 가벼운 신경망 알다시피, 10 개의 뉴런으로 이루어진 4 개의 층이 있습니다

그리고 갑자기 그 일은 10,000에서 100,000 사이였습니다 배 빠른 오, 와우 제프 딘 : 그리고 그는 정확성의 차이를 말할 수 없었습니다 MARK MANDEL : 와우

제프 딘 : 제 생각에 그건보기에 좋은 렌즈라고 생각합니다 과학적 컴퓨팅을하고 있습니까? 또는 어떤 종류의 시뮬레이션? 그런 다음 신경망을 훈련시켜 그 근사치를 계산할 수 있습니까? 당신이 그것을 주면 정확할 것 같은데 충분한 훈련 데이터? MARK MANDEL : 이제 저는 생각합니다 – 멜라니 워릭 : 아이디어를 줘 MARK MANDEL : 글쎄, 나는 내 게임으로 일한다 MELANIE WARRICK : 알아, 게임

MARK MANDEL : 그래서, 이제 나는 마치, 당신이 그런 종류의 성과를 얻을 수 있다면 그 수준의 시뮬레이션을 위해서는 정말 흥미로운 일을 할 수 있습니다 네, 그렇습니다 멜라니 워릭 : 그리고 나는 네가 이것에 대해 말한 것을 보았다고 생각한다 신경망을 사용하여 도움을 받고 있다고 시스템의 실제 성능 향상과 함께 그들 자신 제프 딘 : 일반 컴퓨터에는 큰 기회가 있습니다

시스템 운영 체제의 중심에 무엇이 있는지 생각하면 또는 컴파일러 또는 저장 시스템 또는 다른 컴퓨터 시스템, 그들은 일반적으로 종류가 가득하다 손으로 쓴 경험적 방법론 알다시피, 어떤 프로세스가 운영 체제 사용할 수있는 준비된 프로세스 중에서 다음 일정을 예약 하시겠습니까? 또는 컴파일러의 경우, 알다시피, 이 루프 그물 순서 또는이 루프 주문 코드를 방출? 아니면 가변적인가? 레지스터에 모두 들어 맞지 않을 때 메모리를 쏟아 붓는가? 그리고 많은 경우에, 나는 이것이 실제로 있다고 믿습니다 학습 문제 그래서 사람들이 손으로 쓰는 경향이있는 발견 적 방법 일반적인 경우에 잘 작동해야합니다

그리고 그들은 그런 식으로 정말로 발전 될 수 없습니다 시스템이 사용되는 방식에 완전히 적응할 수 있습니다 Bigtable 스토리지 시스템에서 예를 들자면, 근본적으로 핵심 가치 저장소가 있습니다 그리고 클라이언트 요청은 Bigtable 서버로 들어옵니다 특정 데이터를 요청할 수 있습니다

다른 테이블에서 읽습니다 그리고 그렇게되면 Bigtable 서버 그것을 명명 된 메모리 캐시에 넣기로 결정하고, 그래서 그 데이터가 다시 필요하다면, 알다시피, 당신은 그것을 캐시에 가지고 있습니다 디스크에 가서 가져올 필요가 없습니다 그리고 보시면 많은 정보가 있습니다 결정을 내릴 때 사용할 수 있습니다

디스크의 데이터 우리는 예를 들어 내부 사용자 그룹을 알고 있습니다 그 프로세스를 실행중인 작업의 데이터를 요청했습니다 우리는 아마도 이것을 요구 한 직무를 알고 있습니다 그리고 당신은 휴리스틱을 쓰지 않을 것입니다

그래서 순차적 인 MapReduce 스타일의 처리가 많습니다 데이터를 한 번 읽으려는 작업을 처리하고, 절대로 1 시간 후까지 다시 사용하십시오 유사한 MapReduce가 시작됩니다 하지만 실제로 캐시에 삽입하고 싶지는 않습니다 재사용을 즉시 처리하지 않기 때문입니다

하지만 당신은 결코 휴리스틱을 쓰지 않을 것입니다 Bigtable 서버 중간에 즉, 작업 이름이 MapReduce 대시로 시작하는 경우, 그런 다음 캐시에 삽입하지 마십시오 그러나 학습 추론이 할 수있는 것을 살펴 본다면, 꽤 빨리 패턴을 배울 것입니다 MapReduce 대시로 시작하는 것처럼 보이는 이러한 작업 캐시에 삽입 한 데이터를 재사용하는 것처럼 보이지 않습니다 그래서 저는 그것을 삽입하지 않을 것입니다

그리고 수천 명의 사람들에게 거대한 잠재력이 있다고 생각합니다 컴퓨터 시스템에서 수천, 수천의 발견 적 방법론 실제로 대부분 배울 수 있고 그들이 실제로 어떻게 행동하는지 적응할 수 있습니다 사용되고있다 MELANIE WARRICK : 너무 기쁘고 흥미 롭습니다 이것이 개선 될 수있는 방법에 대해 생각해보십시오

너에게 묻고 싶은 것들이 너무 많아 우리는 확실히 제한 될 것입니다 그래서 나는 공간을 확보하고 싶다 네가 우리가 이것을 발표 할 때 남아프리카에있을 것입니다 그리고 구체적으로 말하면, 당신은 깊은 학습 케이프 타운 밖에서 일어나는 인다 바

그럼 네가 어떻게 지내는지 조금 말해 줄 수 있니? 이것, 회의 자체에 관여, 그리고 당신은 무엇에 대해 말할 것입니까? 물론이지 그래서 나는 도전적인 문제를 푸는 것에 대해 이야기 할 것입니다 깊은 학습이나 뭔가의 세계에서 좋아요 제프 딘 : 사실, 그것이 프레임 된 방식입니다

국립 공학 아카데미 주위에있다 2008 년 엔지니어링에 대한 중요한 문제 목록 21 세기에 일할 큰 규모의 공동체 그리고 그것은 14 가지 영역의 목록입니다 의료 정보학 향상, 더 나은 약을 개발하고, 태양 에너지 생산을 향상시킵니다 그리고 만약 당신이 그들을 보았다면, 저는 실제로 기계 학습이 태클에 유용 할 것이라고 생각한다 그 다른 모든 것들의 크고 작은 조각

그래, 맞아 제프 딘 : 그리고 그 말은 틀에 박혔습니다 조금은 어이, 우리가 가지고있는 흥미로운 일이 여기있다 완료는 해결 방법의 일부입니다 이러한 웅장한 도전 과제 중 일부가 있습니다

좋았어 제프 딘 : 그리고 그 깊은 학습 Indaba, 내 생각 엔, 정말 흥미 진진한 사건입니다 그것은 – 약 400 명 또는 500 명 정도라고 생각합니다 대부분 아프리카 대륙에서부터 다른 나라에서 그리고 실제로 급성장하고 흥미 진진한 커뮤니티가 있습니다

기계 사용에 흥분되는 아프리카에서 학습 및 기계 학습 연구, 아프리카 국가의 문제를 해결하기 위해 기계 학습을 사용 전 세계에 걸쳐 그리고 저는 이것이 정말로 흥미 롭다고 생각합니다 아프리카의 연구 공동체의 팽창을보기 위해, 다른 나라들도 마찬가지입니다 그래서 그 일에 참여하게되어 기쁩니다 나는 실제로 우간다와 소말리아에서 어렸을 때 살았습니다 오, 와우

마크 AND델 : 멋지다 그래서 방금 들었을 때, 멜라니 워릭 : 그것은 당신에게 중요합니다 이 그룹에 참여하고보고 성장할 수 있어야합니다 마크 멘델 : 환상적입니다 멜라니 워릭 : 나는 또한 뇌가 가나로 확장했다

그리고 거기에 복장이 있습니다 무스타파 시세 (Moustapha Cisse)가 주도했으며, 우리는 어느 시점에서, 잘하면, 팟 캐스트에 올 것입니다 내가 그를 만났기 때문에 그는 훌륭합니다 MARK MANDEL : 훌륭합니다 멜라니 워릭 : 알아

네 네 멜라니 워릭 : 그는 훌륭합니다 그리고 우리가 말하는 것처럼 그들이 바닥에서 떨어져 있고 달리는 것을 압니다 다른 단체들도 있니? 당신이 성장하기를 기대하고 있거나 다른 사무실에 있습니다

당신이 이야기 할 수있는 회전을 찾고 있습니까? 아니면 우리가 지금 말할 수없는 것입니까? 제프 딘 : 우리는 가나 사무소에 대해 매우 흥분하고 있습니다 우리는 사무실 공간을 혁신하기위한 마지막 골목에 서 있습니다 우린 사무실에 사람들을 고용 했어 내가 생각하기에는 큰 도움이 될 것 같아 우리의 글로벌 연구 기관에 그들은 두 기계 모두에서 환상적인 작업을 수행 할 것입니다

학습 연구, 일종의보고 가나 특유의 흥미로운 적용 문제들 아프리카의 나머지 지역 그리고 나는 그것이 좋을 것이라고 생각합니다 나는 무스타파를 좋아한다 그는 훌륭한 지도자이며 훌륭한 사람입니다 우리 사무실에 그를 데려 간다

멜라니 워릭 : 그는 멋진 사람입니다 내가 너에게 묻고 싶었던 다른 것, 또는 다른 몇 가지 그래서 Deep Learning Indaba를 기대합니다 누가 관심을 가지고 있는지, 거기에 쇼 노트에 제공 할 리소스입니다 우리가 만져보고 싶은 마지막 몇 가지 너를 풀어주기 전에

최고의 조언 중 하나 인 것을 알고 싶다 당신이 당신의 경력에서받은 것 제프 딘 : 특정 조언이 필요한지 모르겠습니다 나는 받았지만, 내가 만든 관찰 내 경력을 통해 정말 좋은 방법입니다 흥미로운 것들은 사물을 알고있는 사람들과 파트너 관계를 맺는 것입니다

너는 그렇지 않다 그리고 저는 종종 3 개 프로젝트 네 사람이있는 네 사람 다양한 종류의 전문성 그리고 집단적으로 너는 함께 온다 당신 누구도 흥미로운 문제를 해결할 수는 없어요 개별적으로 해결할 수 있지만, 너는 완전 기술을 가지고 있기 때문에 또는 그들을 개발할 수 있습니다 정말 중요한 이유가 계속해서 새로운 것을 배우는 것이 좋은 방법인가요? 학교를 졸업 한 후에도

있잖아, 내가 대학이나 대학원에있을 때 생각해 학교 나 뭐든지간에, 당신은 분명히 일을 배우고 있습니다 그러나 계속하는 것이 중요합니다 사물을 배우고 새로운 아이디어를 얻으려고 그리고 일종의 뇌 자극 그리고 이것을하는 것이 정말 좋은 방법입니다

그리고 나서 그 프로젝트에서 벗어나서 다른 프로젝트에, 그리고 다른 사람들의 전문 기술은 당신에게 빛나는 문질러움을 가지고 있습니다 이제 적어도 문제를 볼 수 있습니다 전문 분야의 렌즈를 통해 그들은 이런 말을하고 있습니다 오, 예 나는 묻는 질문이나 올바른 접근법을 안다

그게 아니라해도 당신의 정식 배경 좋아요 그래, 맞아 명확히 당신은 무어의 법칙과 연구의 양에 대해 언급했습니다

그것은 특히 나오고 있습니다 당신은 어떻게 자원을 유지합니까? 연구와 그 모든 것? 네 내 말은, 다시, 나는 이것이 뭔가라고 생각한다 사물을 알고있는 사람들과 자신을 둘러싼 곳 네가하지 않으면 네가 정말 좋은 길이야 당신이 상호 작용하는 좋은 사람들의 네트워크, 그들은 부분적으로 당신의 눈과 귀가 될 수 있습니다

그들의 종류의 영역에서 흥미로운 것을주의 깊게 살펴라 오, 그래, 그거 흥미 롭다 누군가 오늘이 사실을 말해 줬어 그리고 당신은 일종의 연결을 시작할 수 있습니다 다른 영역들 사이의 점들과 잠재 성을 보아라

여기에서 개발 된 기법으로, 그것이 어떻게 여기에서 사용될 수 있는지, 또는 그것이 어떻게 잘 결합 될 수 있는지 다른 기술과 함께 그리고 실제로 서로를 구축합니다 그래서 나는 모든 것을 따라 잡는 것이 매우 어렵다고 생각합니다 따라서 집단적으로 정렬해야합니다 당신이 정말로 따라 다니는 것들을 발견하고, 다른 것들에 대한 간단한 정보를 얻으십시오 제가 관찰 한 한 가지는 많은 사람들이 정말로, 정말 깊이 연구 논문을 읽으십시오

가끔은 중요하다고 생각합니다 그러나 일반적인 학습을위한 잘못된 접근 방법입니다 나는 네가 훨씬 더 잘 봉사 할거라 생각한다 100 개의 초록 100 개를 읽을 시간이 필요하다 다른 서류와 이해의 종류 그들 각각이 가지고있는 가장 높은 수준의 개념

너는 항상 더 자세히 읽을 수 있기 때문에 당신이 그것에 대해 더 알아야 할 필요가 있다면 하지만 그 100 가지 정보를 가질 수있는 것은 좋아, 오, 그래, 그건 기술이야 그게 문제 야 우리는 그런 종류의 일을 할 수 있습니다 그 점을 실제로 연결하는 방법입니다

필드를 가로 질러 연결하기 또는 다른 문제에 걸쳐 좋아요 멜라니 워릭 (MELANIE WARRICK) : 특정 공공 연구 당신은 아주 최근에 들어 봤어요 당신 마음에오고, 당신은 마치, 나에게 흥분되는가요? 또는– 제프 딘 : 글쎄, 나는 생각한다 자동으로 컴퓨터를 사용할 수있는 방법 실험을하고, 그 결과를 측정하고, 그리고 연속적으로 흡수되는 일종의 첫 번째 실험 세트의 결과, 새로운 실험을 생성 할 수 있습니다

그래서 모든 신경 구조 검색 작업 우리 그룹이 해왔 던 AutoML 작업, 보강 학습의 많은 게임을 풀 때 약속을 지키는 기반 작업 Go 또는 OpenAI가 Dota에서 작동합니다 나는이 모든 것들이 일종의 포인트라고 생각한다 컴퓨터가있는 일반적인 방향으로 다른 해결 방법을 자동으로 탐색 할 수 있습니다 문제가 중요해질 것입니다 컴퓨터가 50,000 회의 실험을 실행할 수 있기 때문에 인간이 50을 돌리는 동안, 결과를보고, 그 다음에 다음 50 개가 무엇인지 알아 내겠습니까? 네, 그렇습니다

멜라니 워릭 : 좋아 그리고 내가 원하는 다른 질문 네가 한 모든 인터뷰에서 너에게 물어볼거야 사람들이 너에게 어떤 질문을하길 바랄까? 흥미로운 점 하나 알려 드리겠습니다 어떤 사람들은 모른다 그래서 저는 실제로 아이처럼 많이 움직였습니다

나는 12 년 만에 11 개 학교에 다녔다 그리고 저는 그것이 – 멜라니 워릭 : 그건 학교 다 제프 딘 : 학교가 많습니다 오, 새해, 새 학교처럼 멜라니 워릭 : 너는 많은 친구들을 사귀는 법을 배웠다

확실해 MARK MANDEL : 네 네 나는 그것이 나를 위해 매우 도움이되었다고 생각한다 내가 다른 곳에서 살게했기 때문에 환경의 종류에 관계없이 하와이, 보스톤, 우간다, 보스톤, 아칸소, 하와이, 미네소타, 소말리아, 애틀란타, 제네바, 시애틀, 베이 지역

과– 멜라니 워릭 : 당신은 전혀 마음을 열지 않아야합니다 제 생각에 도움이된다고 생각합니다 그 장소들 중 어느 곳에서나 정말 좋은면을 발견 할 수 있습니다 그리고 그것이 좋은 전망이라고 생각합니다 마크 멘델 : 환상적입니다

마무리하기 전에 모든 리소스를 사람들을 위해 청취자에게 추천하고 싶다 깊은 학습, TPUs, 구글 두뇌, 그냥 ML에 들어가고 싶다 연구? 너도 알다시피 나는이 질문을 많이 받았다 많은 것은 전문 지식의 종류에 달려 있습니다 누군가 이미있다

그래서 나는 하나의 대답이 없다고 생각합니다 하지만 나는 권하고있다 좋은 블로그가 많이있다 저 밖에 크리스 Olah의 블로그와 distill

pub 저널 그가 Shan Carter와 함께 시작한 것은 정말로 특정 수준의 전문 지식을 가진 사람들을위한 좋은 박람회 나는 기계 학습 크래시 코스와 같은 것이 있다고 생각한다 Google이 내놓은 Udacity와 Coursera에는 많은 코스가 있습니다 전문 지식의 수준에 따라 다릅니다 깊은 학습 교과서 Ian Goodfellow, Yoshua Bengio, 아론 쿠르 빌 (Aaron Courville)은 아주 좋은 사람입니다

목표로 삼는 자료가 많이 있습니다 덜 진보 된 수학을 가진 사람들에게 고등학생 및 중학생을위한 기술, 조차 거기에는 풍부한 정보가 있습니다 공동체가 생산하고있는 것이 정말 좋습니다 너무 많은 입문 자료와 고급 자료 모두를위한

마크 AND델 : 훌륭합니다 멜라니 워릭 : 좋아 글쎄, 우리는 당신이 말하고 있다는 사실을 다뤘다 딥 러브 인더 바에서 우리가 너를 풀어주기 전에 말하고 싶은게 있니? 아니, 정말 흥분 돼

나를 보내 주셔서 감사 드리며 대화에 감사드립니다 멜라니 워릭 : 와줘서 고마워 MARK MANDEL : 네, 고마워요 멜라니 워릭 : 감사합니다 물론이지

MELANIE WARRICK : 다시 고마워, 제프 그냥 모든 일에 참여하는 것이 정말 좋았습니다 그리고 내가 그 점에서 정말로 감사하는 많은 것들 중 하나 그가 아직도 코드하는 것을 듣고 있었다 MARK MANDEL : 네 그는 ~ 같이, 오늘은 내 하루 야

MARK MANDEL : 월요일에 내가 코드 해 MELANIE WARRICK : 그것이 바로 내가 코딩 할 때입니다 당신이되는 것처럼 그렇게하기가 어렵습니다 더 많은 선배, 당신의 삶에서 그런 유형의 공간을 만들기 어쨌든, 고마워

MARK MANDEL : 네 알았어 주의 질문 마크 맹델 : 그래서 우리 멋진 친구, 게이 게이 와이즈 : Whee

헤이 게이브, 너를위한 멋진 질문이있어 왜냐하면 우리는 당신이 코어에서 물건을 다룬다는 것을 알고 있기 때문입니다 GABE WEISS : 준비 됐어 MARK MANDEL : IoT Core가 있다면, IoT Core에서 데이터를 얻는 방법 웹 프런트 엔드에 실시간으로 표시 하시겠습니까? 나는 당신이 이런 식으로 일했다고 믿습니다

GABE WEISS : 나는 최근에있다 IoT에서 일하는 사람은 누구나 알고 있습니다 이것을하기위한 다양한 방법이 있습니다 다른 종류의 장치가 있습니다 다른 프로토콜이 있습니다

다른 모든 것이 있습니다 그래서 해변에 몇 그루의 모래가 있습니까? 이것이 얼마나 많은 방법으로 이것을 할 수 있는지입니다 우리가 그것을 황금의 길의 일종으로 한 방법 Cloud at 2018 년에 우리는 전체 end-to-end 앱을 만들었습니다 무대 위에 우리 다섯이 있습니다 그래서 우리는 장치에서 나왔습니다

우리는 일부 센서와 함께 라즈베리 파이를 사용했습니다 우리가 심장 박동을 측정 했어 그리고 그것은 MQTT와 통신 할 것이고, IoT Core가 사용하는 프로토콜입니다 받는 방법 따라서 장치에서 원격 측정 데이터를 전송할 수 있습니다

IoT 코어로 IoT Core에서 브리지됩니다 모든 원격 측정 데이터가됩니다 이벤트 스트림 관리자 인 Cloud Pub / Sub의 이벤트입니다 Cloud Pub / Sub에서 Cloud 기능을 트리거 할 수 있습니다

Pub / Sub에서 원격 측정 데이터를 가져온 것입니다 데이터웨어 하우스에 저장합니다 클라우드 파이어 스토어 (Cloud Firestore)였다 우리는 NoSQL 데이터베이스이기 때문에 Firestore를 선택했습니다 그것은 매우 낮은 대기 시간이고 특별한 소스가 있습니다

푸시 메커니즘이있어 프런트 엔드 앱에서 데이터베이스에서 데이터가 변경되면 콜백에 등록하십시오 따라서 실시간 응용 프로그램의 경우 이것은 엄청납니다 그래서 우리의 프런트 엔드는 Angular 앱이었습니다 이 콜백에 가입 한 우리가 작성한 Firestore에서 가져 와서 마음을 끕니다 비율 그래프

엔드 투 엔드 (end-to-end)로, IoT Core까지 장치였습니다 클라우드 게시 / 하위의 브리징 펍 / 서브는 클라우드 기능을 가지고 있었고, 그것을 클라우드 파이어 스토어로 밀어 넣습니다 Firestore가 콜백을 통해 각도 앱으로 실행되었습니다 좋았어 GABE WEISS : 예

MARK MANDEL : 와우 GABE WEISS : 꽤 멋졌습니다 그것도 모두 효과가있었습니다 MARK MANDEL : 그 말을 세 번 빨리하십시오 GABE WEISS : 나는 할 수 없다는 것을 안다

나는 그것을 한 번했다 그 정도면 충분했다 그렇지? MARK MANDEL : 그게 효과가 있습니다 그게 정말 좋았어 마크 맹델 (Mark MANDEL) : 사람들 – 공개 샘플이나 사람들이 실제로 할 수있는 것입니다

가서보고있어? GABE WEISS : 예 그래서 그것을 찾는 가장 쉬운 방법은 가고 있습니다 YouTube에서 "건물 IoT Google 클라우드의 애플리케이션 " 그곳에 유일한 사람이야 컨퍼런스 비디오를보실 수 있습니다

그리고 설명의 링크에서 모든 코드가 포함 된 GitHub에 대한 링크입니다 MARK MANDEL : 굉장해 멜라니 워릭 : 잘 됐네 고마워, 게이 와 주셔서 감사합니다

우리는 그주의 질문을합니다 게이브 와이즈 : 나를 보내 주셔서 고마워요 알았어, 마크 너 어디 갈거야? MARK MANDEL : 내가 뭘하고 있니? 무슨 일이야? 뭐하고 있니? 당신이 알고? MARK MANDEL : 그럼, 나올 때, 나는 도쿄에있을거야 멜라니 워릭 : 네

마크 AND델 : 나는 도쿄 다음을 준비하고있다 그래서 꽤 흥분했습니다 Agones에 대해 이야기하고 있는데, 게임에 대해 이야기하고 있습니다 사람과 물건 그래서 당신이 마을에 있다면, 인사하러와

너 무슨 일이야? 멜레 니 워릭 : 그리고 나는 스텔 렌 보쉬에있을거야 나는 아마 내가이 시점에서 많은 것을 말했을 것이라고 생각한다 네, 그렇습니다 MELANIE WARRICK :하지만 몇 가지 인터뷰를 할 예정입니다 그리고 너와 나는 둘 다 Strange Loop에있게 될거야

월말 MARK MANDEL : 그래, 정말 좋을거야 게이브, 다음 달에 특별한 곳으로가는거야? GABE WEISS : 나야 나는 유럽 여행을하고있다 나는 런던, 파리, 바르셀로나를하고있다

일련의 회의를 위해 오, 그게 어렵다고 들었어 GABE WEISS : 예 MARK MANDEL : 어느 회의에 갈 건데? GABE WEISS : 그래서 런던은 Cloud Next입니다 네, 그렇습니다

GABE WEISS : 우리의 종류의 다음 반복입니다 우리 시리즈의 그리고 파리는 팀 메이트를 방문하고 있습니다 나는 이상한 5 일의 날이 있기 때문에 날고 싶지 않아 유럽으로왔다 갔다합니다 그리고 바르셀로나는 큰 IoT 회의 인 IoT Solutions World 의회, 일종의 큰 유럽의 IoT 회의입니다

좋았어 마크 멘델 : 환상적입니다 GABE WEISS : 예 멜라니 워릭 : 음, 좋은 여행을해라 GABE WEISS : 고마워

마크, 나는 이번 주에 그것이 우리를위한 것이라고 생각한다 그래, 멜라니와 게이브, 포드 캐스트에 대한 또 다른 한 주 동안 우리와 함께 해 주셔서 감사합니다 고마워요 GABE WEISS : 고마워 MARK MANDEL : 그리고 모두 들어 주셔서 감사합니다

우리는 다음주에 모두 만날거야 [음악 재생]

Scaling up Keras with Estimators (AI Adventures)

[음악 재생] YUFENG GUO : Keras 모델을 변환 할 수 있다는 것을 알고 계셨습니까? TensorFlow 추정량에? 분산 된 환경에서 다양한 옵션을 제공합니다 교육 및 확장

방법을 찾으려면 계속 지켜봐주십시오 "Cloud AI Adventures"에 오신 것을 환영합니다 우리는 예술, 과학, 기계 학습 도구 내 이름은 Yufeng Guo입니다 그리고이 에피소드에서 우리는 변환하여 규모대로 운영하는 Keras 모델을 준비하는 것 그것을 TensorFlow 평가자에게 전달합니다

그래서 우리는 Keras 모델을 가지고 있습니다 정의하기 쉽고 읽고 읽기 쉬우 며 유지하기가 쉽습니다 그러나 더 큰 데이터 세트로 확장하는 것은 그리 좋지 않습니다 또는 여러 컴퓨터에서 실행 중일 수 있습니다 운 좋게도 Keras와 TensorFlow는 가지고 있습니다

환상적인 상호 운용성 기능 우리가 원하는 것은 Keras 모델을 변환하는 것입니다 배포 된 TensorFlow 견적서 훈련이 내장되어 있습니다 이것은 스케일링 문제를 해결하는 우리의 표입니다 또한 모델 제공을 쉽게 할 수 있습니다

우리 훈련이 끝나면 우리가 관심있는 기능 model_to_estimator라고합니다 그리고 우리가 시작한 노트를 가져 왔습니다 이전 에피소드에서와 함께 새로운 코드로 업데이트 Keras 모델을 TensorFlow 추정기로 변환합니다 Keras를 내보내는 방법에 대해서도 살펴 보겠습니다 일단 훈련이 완료되면 모델은 TensorFlow 모델

이제 Kaggle 노트북과 다이빙으로 전환합시다 코드로 그래서 여기 우리는 Kaggle 커널로 돌아 왔습니다 우리의 패션 MNIST 데이터 세트와 함께 이 코드는 현저하게 친숙 해 보입니다 우리는 NumPy, 팬더, TensorFlow, 그 플롯

그리고 우리는 우리의 데이터 세트를 끌어 올 것입니다 팬더와 함께, 그 CSV 파일을 읽고, 처음 몇 줄을 들여다 보면 알 수 있습니다 첫 번째 열은 Google의 라벨 열입니다 모든 픽셀은 모두 나머지입니다 오른쪽 열의 이 편리한 사전 처리 기능이 있는데, 데이터 프레임을 가져 와서 꺼냅니다

지형지 물 및 라벨 값 그런 다음 직접 저장할 수 있습니다 열차 기능, 열차 라벨, 테스트 기능 및 테스트 라벨 그런 다음 우리는 한 번 핫 인코딩을 할 것입니다 이것은 이전 에피소드에서 본 것과 정확히 같습니다 숫자 인 그 레이블을 변환 할 것입니다

10에 대한 길이 10의 배열 인 레이블 가능한 다른 라벨 그럼 우리 기차를 운영 할거야 우리는 우리의 훈련 매개 변수를 가지고있다 우리는 Keras 모델을 만들 것입니다 이것은 Keras를 만들기 위해 우리가 본 코드와 똑같습니다

전에 모델 그리고 일단 우리가 그것을 만들면 모델을 실행할 수 있습니다 맞습니다 – 이전 에피소드에서 본 것과 동일합니다 우리가 모델에 적합하게되면, 우리는 그것을 테스트 할 수 있습니다 그리고 지금, 우리는 흥미로운 것에 도달합니다

우리의 개종 Keras 모델을 TensorFlow 추정량으로 변환하는 방법은 무엇입니까? model_to_estimator를 사용합니다 이 함수는 몇 가지 다른 인수를 취합니다 하지만 우리의 경우에는 우리 모델에 하나의 포인터를 전달하는 것입니다 인수 Keras 모델

그러면 Keras 모델이 변환됩니다 TensorFlow 추정기에 입력합니다 우리 TensorFlow 견적가가 준비되면, 우리는 평소대로 할 수있는 모든 것을 할 수 있습니다 TensorFlow 추정기로 수행하십시오 이 경우, 나는 계속 나아가 훈련을하기로 결정했습니다

우리는 견적가를 훈련시키고 정확성과 성능 측면에서 우리가 달성 할 수있는 것 그래서 우리가 그렇게하고 싶다면 먼저 우리는 우리의 입력 기능을 어떻게 구성하는지 생각할 필요가 있습니다 그리고 우리의 특징에 대한 큰 의문이 있습니다 우리는 그러한 특징들에 대한 레이블이 필요합니다 우리는 그것을 무엇이라고 부릅니까? 우리가 Keras에서 왔을 때, 우리는 실제로 그것의 이름을 지을 필요가 없습니다

우리 스스로 modelinput_names를 실행해야합니다 그리고 이것은 Keras 모델의 입력 이름입니다 TensorFlow 모델

그 이름들은 복사됩니다 Keras 모델을 살펴볼 수 있습니다 이 경우 dense_3_input이라고합니다 그리고 우리가 그것을 꺼낼 때, 우리는 그 변수 입력을 사용할 것입니다 name은 dense_3_input을 가리키며, 우리의 특징을위한 열쇠입니다

그래서 일단 우리가 그것을 설정하면, 우리는 무엇을 할 수 있을까? 우리는 TensorFlow 추정기 교육을 보는 데 익숙합니다 기능 열이 있습니다 이 경우, 우리는 tf 분류 자의 이름을 바꿀 것입니다 그냥 분류 자로 그리고 이제, 우리는 훈련 할 수 있습니다

그리고 우리는 정확한 입력 이름을 사용했기 때문에, 오류없이이 작업을 수행 할 수 있습니다 올바른 입력 이름을 사용하지 않으면, 오류가 발생하므로 입력 이름을 알아 내야합니다 이제 평가 및 설정을 실행할 수 있습니다 그 evaluate_input 함수 입력 이름을 한 번 사용해야 할 것입니다

다시 여기에서, 그것을 없애는 정말로 좋은 생각 변수에 여기서 주목해야 할 또 하나의 점은 우리가 원 핫 라벨을 사용했다는 것입니다 TensorFlow 교육 및 평가에서, 우리가 Keras에서했던 것처럼 이제 순수 TensorFlow에서이 모델을 실행했습니다

과거에는 패션 MNIST와 함께 not-one-encoded 레이블을 사용할 수있었습니다 5, 7, 9라는 라벨을 사용할 수 있습니다 이 경우 우리는 Keras에서 직접 모델을 가져 왔기 때문에 그것을 TensorFlow로 옮겼습니다 또한 기대하는 모델이되었다 원 핫 코드 레이블

따라서 동일한 라벨을 사용해야합니다 Keras에서했던 것처럼 실제로 이것은 매우 편리하게 끝납니다 왜냐하면 동일한 배열에서 같은 변수를 사용할 수 있습니다 전에 사용했던 이제 평가가 완료되었음을 알 수 있습니다

이 경우 86 %가됩니다 그리고 Keras에서는 비슷한 것을 얻었습니다 여기서 볼 수 있습니다 – 네, 85 % 정확도는 다양한 요인에 이르기까지 무작위 초기화 상태에서 내 컴퓨터는 주어진 날에 그런 느낌이 들었습니다 이제 우리는 두 모델 모두에서 훈련 된 모델을 갖게되었습니다

TensorFlow, 간단한 살펴보기 우리가이 모델을 어떻게 내보낼 지 파일 시스템에 저장합니다 Keras 모델은 매우 직관적입니다 Modelsave를 호출하고 이름을 지정하면됩니다 HDF5 형식으로 내보낼 것입니다

TensorFlow 측면에서 모델 내보내기 export_savedmodel 함수를 사용해야합니다 이 함수는 두 개의 인수를 취합니다 하나는 그것을 내보내는 경로입니다 둘째, 서빙 입력 수신기 기능, 간단히 말해 서빙 기능이라고도합니다 TensorFlow에는 도움이되는 유틸리티가 있습니다

그 봉사 기능을 구축하십시오 그리고 그것은이 매핑을 인수로 취합니다 입력 모양과 유형의 이것은 모델이 어떤 종류의 입력을 기대 하는지를 알 수 있도록 도와줍니다 그래서 일단 우리가 export_savedmodel을 실행하면 TensorFlow 모델에서 우리는 그것이 수출 된 곳을 볼 수 있습니다 그리고 우리는 TensorFlow가 모델을 수출한다는 것을 알 수 있습니다

파일 및 변수라는 폴더로 그래서 편의를 위해 나는 그것을 압축하거나 타르를 좋아한다 쉽게 다운로드 할 수 있습니다 그리고 나서 다른 쪽에서, 당신이 그것을 다운로드하자마자, 당신은 tar로도 압축을 풀 수 있습니다 그래서 그게 무슨 상관이야

Keras 모델을 가지고 우리는 이것을 TensorFlow 추정기로 변환했습니다 그 다음 TensorFlow 추정기를 수출했다 우리는 실제로이 모든 것을 할 수있었습니다 처음부터 TensorFlow 견적을 생성합니다

우리는 Keras 모델을 사용하는 모든 단계를 거쳤습니다 그것을 훈련하여 TensorFlow 추정기로 변환하고, 훈련을 한 다음 두 가지를 수출하는 것입니다 그리고 우리는 그 내 보낸 파일을 사용할 수 있습니다 향후 에피소드에서 더 재미있는 일을 할 수 있습니다 TensorFlow 평가자를 사용하여 분산 교육 받기 Keras 모델을 한 줄로 쉽게 조정할 수 있습니다

이제 두 세계의 장점을 모두 누릴 수 있습니다 Keras 모델 작성 구문을 쉽게 읽을 수 있습니다 TensorFlow 추정기를 통한 분산 교육 "Cloud AI Adventures"에피소드를 시청 해 주셔서 감사합니다 그리고 그것을 즐긴다면, 그것을 좋아하십시오

모든 최신 에피소드를 바로 구독하려면 구독하십시오 그들이 나올 때 지금 당장 당신이 필요로하는 모든 것을 기억하십시오 Keras 모델을 사용하여 분산 된 교육을받는 방법 model_to_estimator를 사용하는 것입니다

Vonage CX Enablement Suite Integration with Google Cloud Contact Center AI

안녕, 아담 존슨 American Financing에 전화 해 주셔서 감사합니다

나는 자동화 된 봇이다 오늘 어떻게 도와 드릴까요? 리 파이 낸싱에 대한 전화 얼마나 걸릴까요? 시간은 대출 기관 및 문서 제출 속도에 따라 다릅니다 American Financing은 많은 차용자들이 10 일 만에 최대한 빨리 도움을 주었던 것을 자랑스럽게 생각합니다 2018 년 7 월 8 일 12시 19 분에 뉴저지 주에서 재 융자에 관해 전화를 드렸습니다

재 융자에 관해 다른 질문을하거나 고객 서비스 담당자에게 말할 것을 요청할 수 있습니다 고객 서비스 담당자와 통화 할 수 있습니까? 큰 이제 고객 서비스 담당자에게 연락하겠습니다 안녕하십니까, 제 이름은 Olive입니다 저는 American Financing의 고객 서비스 담당자입니다

리 파이 낸싱에 대해 몇 가지 질문을 할 수 있습니다 어떻게 도울 수 있습니까? 부채 상환을 위해 현금을 어떻게 이용할 수 있습니까? 현금 환급에 대해 물어보십시오 부채 상환을 위해 돈을 가져 가기 위해 주택 담보 대출을 사용하십시오 대학 대출, 주택 개선을 통해 주택 가치를 높일 수 있습니다 저는 모기지 컨설턴트와 약속을 잡을 수 있습니까? 좀 더 자세한 정보가 필요합니다

Google AI with Jeff Dean: GCPPodcast 146

[음악 재생] MARK MANDEL : 안녕하세요 에피소드에 오신 것을 환영합니다

주간 Google Cloud Platform 팟 캐스트 번호 146 내 이름은 마크 만들이고 나는 언제나처럼 여기에있다 내 동료 인 멜라니 워릭과 멜라니, 어떠니? 안녕, 마크 잘하고있어 잘 지내? 나는 잘하고있어

나는 아주 잘하고있다 오늘의 에피소드에 매우 흥분됩니다 멜라니 워릭 : 예, 이번 주, 특히, 우리는 제프 딘, 우리가 가질 수있는 당신이 구글과 AI에 대해 조금 안다면 그 사람에 대해 들었습니다 TensorFlow 및 TPUs와 대형 데이터 시스템 및 CATS가 있습니다 [CAT PURRING] 너는 그것에 대해 들었을지도 모른다

마크 맹델 : 고양이? 멜라니 워릭 : 고양이 어쨌든, 모든 것 MARK MANDEL : 괜찮습니다 괜찮습니다 멜라니 워릭 : 컴퓨터 시스템, 하드웨어 및 모든 것

그래서 우리는 그와 큰 대화를 나누었습니다 이 주제들을 많이 다루었습니다 이번 주 인터뷰가 있었던 이유 중 일부는 이번 주는 Deep Learning이기 때문에입니다 Indaba, South의 Stellenbosch에서 일어나고 있습니다 아프리카

그리고 그것은 연구원들을 모으고 있습니다 아프리카 대륙 내의 여러 나라에서 온 지식을 공유 할 수 있습니다 제프 딘 (Jeff Dean)이 거기에서 말하려고합니다 나는 또한 에피소드를 녹음 할 예정이다 그래서 우리는 조금 강조하고 싶었습니다

우리는 실제로 그것에 대해 팟 캐스트에 들어 가지 않습니다 나중까지,하지만 당신은들을 수 있어요 그가 이야기 할 내용을 들어보십시오 회의에서 언제나처럼, 우리가 그것에 들어가기 전에, 우리는 일주일의 멋진 것들로 시작할 것입니다

우리는 일주일에 한 번 질문을 끝낼 것입니다 그리고 우리는 특별한 손님이 합류했습니다 우리는 그주의 질문을 돕기 위해 IoT Core에서 표시 할 데이터를 얻는 방법 웹 프런트 엔드에서 실시간으로? MARK MANDEL : 예, 우리는 Gabe Weiss를 오늘 우리와 함께합니다 GABE WEISS : 안녕 친구 멜라니 워릭 : 멋진 일을 시작하려면 주중에 내가 잡은 뭔가 Google이 최근에 베타 데이터 세트 검색을 시작한 것입니다

그래서 저는 이것을 실제로 잡았습니다 Ben Hamner, Kaggle의 CTO 인 CTO는 오늘이를 트윗했습니다 그리고 구체적으로, 그는 어떻게 이렇게하면 열린 데이터 세트에서 메타 데이터를 색인화하는 데 도움이됩니다 연구자 인 사람들에게 매우 유용 할 것입니다 공개 데이터 세트에 대해 궁금한 사람들, 그들을 탐험하고 싶다

그래서 우리는 그것에 대한 링크를 포함시킬 것입니다, 그러나 그것은 꽤 많이 있습니다 검색 도구 Google 검색 도구로 데이터 세트에만 사용됩니다 MARK MANDEL : 굉장해 나는 이것에 대해 이야기하고 싶었다 – 이것은 내가 좋아하는 정말 멋진 일이다

우리는 공개 데이터를 확대하고 있습니다 지형 공간 및 ML 기반 분석을 설정합니다 그래서 BeckIT Cloud Next를 들었을 것입니다 BigQuery 스토리지 5 페타 바이트를 추가로 발표했습니다 공개 데이터 세트에 사용할 수 있습니다

블로그 포스트에서 우리는 쇼 노트에 링크 할 것입니다 이 추가 저장 용량도 향후 5 년 동안 사용할 수 있습니다 정말 멋지다 다음부터는 7 개의 새로운 데이터 세트가 내장되어 있습니다 미국의 경계를 정의하는 우편 번호와 같은 매개 변수와 같은 것들, 기본적으로 지형 공간 질의를 지원합니다

우리는 거기에 새로운 데이터를 가지고 있습니다 [INAUDIBLE] 공간적인 것들을 할 수 있도록 ML 기반 분석, 새로운 ML 도구 키트 사용 이제 BigQuery에서 사용할 수 있습니다 그리고 만약 당신이 그 중 하나를 이용하고 싶다면, Google Cloud Platform으로 이동하십시오 시장 이동할 수있는 데이터 세트 필터가 있습니다

그리고 마지막으로, 우리는 당신을 위해 약 101 개의 다른 공개 데이터 세트가 있습니다 BigQuery에서 재생할 수 있습니다 그리고 최대 1 테라 바이트까지 갈 수 있습니다 BigQuery에서 무료로 제공됩니다 월간 매우 놀라운 기능입니다

멜라니 워릭 : 다시 한번 우리가 언급하고 싶은 또 다른 것은, Kaggle을 참조하고 또한 Google AI, Kaggle Google을 통한 새로운 도전이 있다는 것입니다 인공 지능은 특히 격려하기 위해 게시했습니다 사용자와 Kagglers가 개발할 수 있도록 사각 지대에보다 견고한 모델 데이터 세트에 존재합니다 우리는 과거에 이것에 대해 이야기했습니다 많은 사람들이 기계 학습 편견과 공정성에 대해 토론하는 것을 보았습니다

특히 데이터 자체에서 실제로 발생합니다 수집 한 데이터에서 데이터가 실제로 어떻게 편향 될 수 있는지 그러면 이것이 어떻게 구축 된 모델에 영향을 미칠 수 있는지에 대한 것입니다 그래서 그들의 도전은 구체적입니다 그것을 설명하기위한 기술과 접근법을 확인하는 것을 돕는다 모델을보다 견고하게 만들 수 있습니다

이 과제는 특히 두 단계로 실행되도록 설정됩니다 그들은 웹 사이트에서 정보를 얻었습니다 우리가 링크를 유지 하겠지만 NIPS의 시간을 감싸 안을거야 올해 말, 12 월, 그래서 당신은 그것을 체크하고 실험 할 수 있습니다 마크 AND델 : 훌륭합니다

나는 또한 우리가 체크 아웃했다는 것을 언급하고 싶다 최근 아이튠즈에서 뽑은 기술의 톱 100 팟 캐스트 우린 그 안에있어 [트럼펫 게임] 친절하니, 모두에게 정말 고마워 누가 듣고 있었는지, iTunes에서 우리를 평가 한 사람들, 기본적으로 팟 캐스트를 지원했습니다 정말 멋진 일입니다

멜라니 워릭 : 네 그리고 마지막으로,하지만 적어도, 당신이 원한다면 깊은 학습을 위해 TPU를 미세 조정 한 이유는 무엇입니까? 우리는 공유 할 블로그 게시물을 가지고 있습니다 당신이 이것을 들여다 볼 수 있습니다 그리고 우리는 이것이 오늘날과 관련이 있다고 생각했습니다 에피소드지만, 신경망이 무엇인지를 단계별로 안내해줍니다

TPU, CPU와 비교할 때 유용합니다 그리고 멋진 그래픽을 볼 수 있습니다 너를 밟아서 좋은 일을해라 시각적으로 보입니다 좋아요

멜라니 워릭 : 그리고 일부 가격 정보 하단에도 마크 멘델 : 아주 멋지다 알았어, 마크, 나는 우리가 나아가서 그것에 들어가야한다고 생각합니다 제프와 좋은 인터뷰를했습니다 MARK MANDEL : 친구 인 Jeff와 이야기하러 가자

멜라니 워릭 : 네, 제 친구 우리는 카드를 사용합니다 우리와 함께 오늘 제프 딘 (Jeff Dean) Google AI를 이끌고 있습니다 제프와 함께 해주셔서 감사합니다 제프 딘 : 저를 아주 많이 보내 주셔서 감사합니다

멜리안 워릭 : 제프, 제 말은, 많은 사람들을 알고 있습니다 너는 누구인지 알고 있지만, 우리는 항상 묻는다 쇼에 오는 모든 사람들 그들 자신에 대해 조금 말하면, 당신의 배경은 무엇입니까? 물론이지 따라서 현재 Google의 AI 부서를 이끌고 있습니다 내부적으로 Google은 Google Research in Machine 지능형이지만 외부 적으로는 때로 Google AI를 사용하십시오

우리가 누구와 얘기하고 있는지 그리고 그 조직은 많은 다른 종류를합니다 컴퓨터 과학 연구 근본적인 연구를하고 있습니다 새로운 로그를 생성하고 문제를 해결하는 새로운 기법

Google은 Google 제품 영역에서 상당한 업무를 수행합니다 흥미로운 연구 문제를 해결하기 위해 제품의 맥락에서 우리 연구의 일종을 얻습니다 모두가 알고 사랑하는 Google 제품으로 사용합니다 우리는 또한 시스템에 대해 더 많은 작업을 해왔습니다 우리 연구를 가능하게하는 인프라, 하지만 내부 개발자가 사용할 수있는 도구를 만들 수도 있습니다

Google뿐 아니라 외부 개발자 우리가 소스 물건을 열 때 그래서 TensorFlow는 우리 그룹에서 나왔습니다 인기있는 기계 학습 도구 키트입니다 우리는 이것이 실제로 확장하는 좋은 방법이라고 생각합니다 우리 연구의 영향 사람들이 쉽게 할 수있게하는 것입니다

우리가하고있는 일을 토대로 좋은 도구를 얻으십시오 유효한 그리고 우리가 일반적으로하는 네 번째 일 Google이 현재없는 새로운 영역을 찾으려고합니다 우리의 연구가 큰 영향을 줄 수 있다고 생각하는 곳에서 일하십시오 그래서 우리는 많은 일을 해왔습니다

건강 관리, 기계 학습을위한 기계 학습 우리는 로봇이 새로운 신흥 기술이라고 생각하기 때문에 기계 학습 및 연구 분야 큰 차이를 만들 것입니다 멜라니 워릭 (MELANIE WARRICK) : 당신 팀이하는 일의 관점에서, 너에게 어떤 의미가 있니? 그리고 지금 당신을 위해 어떻게 생겼습니까? 나는 이것이 어느 정도 새로운 위치에 있다는 것을 알고 있기 때문에, 올해 Google AI의 리더가 되셨습니까? 네, 그렇습니다 저는 3 월 말, 4 월 초에이 역할을 맡았습니다 기본적으로, 우리의 목표는 위대한 연구자들에게 영감을주는 것입니다 훌륭한 연구를하고 태클을하기 중요하고 야심적인 문제

우리가 일해야한다고 생각해 월요일 코딩을 보내고 있습니다 와우 와우 제 동료 인 Sanjay Ghemawat와 함께, 저는 수년 동안 함께 일해 왔습니다

나는 아마 4 ~ 5 개의 다른 프로젝트를 갖고있을 것입니다 나는 실제 기술 수준에 관여하고있다 나는 매주 회의에 가서 기술적 인 제안을한다 등등 그리고 나서 나머지 시간은 보냈습니다

합리적으로 큰 조직을 조종하려고 시도하다 올바른 일을하고 확실하게하기 우리는 올바른 문제에 집중하고 영향력을 행사할 수 있습니다 MARK MANDEL : 굉장해 멜라니 워릭 : 나는 궁금한데, 무엇을 코딩하고 있니? 제프 딘 : 대부분 C ++ 오, 재미 있네

그래서 저는 사람들을 위해이 질문을하는 것을 좋아합니다 AI와 ML에서 일하는 사람들은 다양한 대답을 얻습니다 너에게 어떤 의미가 있니? JEFF DEAN : 기본적으로, 존재한다는 의미입니다 문제를 해결할 수있는 컴퓨터 시스템을 가질 수있다 당신은 인간의 지능이 필요하다고 생각할 것입니다

Mark MANDEL : 사실 그것은 우리가 가진 가장 간결한 대답 멜라니 워릭 : 예, 꽤 간단합니다 글쎄, 당신이하는 일의 관점에서, 당신은 무엇을합니까? 당신이하는 가장 큰 도전 과제 중 하나라고 생각합니다 반대? 제프 딘 : 정말로, 그것은 흥미로운 시간입니다 컴퓨터 과학 연구 및 기계 분야에 종사하다 관심의 폭발이 있기 때문에 연구 이 분야에서는 마지막 7 ~ 8 년 정도가 될 것입니다

공동으로, 연구 공동체로서, 우리는 컴퓨터가 할 수있는 것을 정말로 추진해 왔습니다 저는 이것이 컴퓨터 비전 분야에서 가장 두드러 지다고 생각합니다 본질적으로 컴퓨터를위한 심층 학습 모델 사용 비전은 갑자기 컴퓨터를 변형 시켰습니다 지금부터 잘 볼 수 없다는 것에서 실제로 볼 수 있습니다 그리고 세계에 대한 영향을 생각한다면 그 것이다, 이미있다

그게 변형 적입니다 갑자기 자동 기계를 가질 수 있습니다 그들 주위의 세계를 인식 할 수 있고, 그들이 무엇을보고 있는지 이해할 수 있고, 이는 일반적인 컴퓨터 비전에 큰 영향을 미칩니다 따라서 많은 경험을위한 핵심 원동력입니다 Google 포토는 Google 사용자에게 제공됩니다

그게 도버맨의 사진이라는 것을 우리는 이해할 수있다 그리고 그것은 산이다 그러나 그것은 또한 건강 관리에서 변형적인 것들을 의미합니다 따라서 수 많은 영상 의학 관련 문제 이제 자동화 된 기계로 다룰 수있다 알고리즘 학습 및 의료 전문가 지원 그런 식으로

멜라니 워릭 : 네 로보틱스, 아주 분명해 로봇을 만들고 싶다면 매우 도움이됩니다 로봇이 볼 수 있다면 멜라니 워릭 : 네

그래서 그게 큰 의미가 있습니다 그리고 나는 우리가 중대한 진전을 이루고 있다고 생각한다 기계 학습과 관련된 다른 분야에서, 자연어 이해와 연설 같은 것들 인식 지난 6 ~ 7 년 동안 엄청난 발전을 보았습니다 그게 정말로이 모든 기회가 있다는 것을 의미합니다

우리가 어떻게 이러한 새로운 기능을 사용해야하는지에 대해 세상이 더 나은 곳으로 나아가도록 지금 우리가 이전에 만들 수 없었던 새로운 것을 만들어야합니다 그리고 그것은 그것이 흥분과 홍수라고 생각합니다 이 분야를 공부하는 데 관심이있는 사람들이이 분야에서 어떻게 연구합니까? 더 많은 사람들이 어떻게이 분야에 들어가 연구를 할 수 있을까요? 멜라니 워릭 : 그래서 우리는 올해 초에 클라우드 인공 지능을 대상으로하는 Faith [INAUDIBLE] 박사와 함께 나는 너무 오래 전에 DeepMind에서 [INAUDIBLE]와 이야기하지 않았다 일부 로봇 연구에 대해 이야기했습니다 그들이하는 일

Brain과 Google AI는 어떻게 협력합니까? 다른 그룹들과? 네 맞습니다 그래서 우리는 실제로 강력한 협력 관계를 유지하고 있습니다 Google 전체에서, 심지어 알파벳, 그리고 많은 분야 예를 들어 Cloud AI를 사용하면 그들이 시장에 가져 오는 것들의 Google AI 연구에서 연구 프로젝트로 시작되었습니다

분할 그리고 우리는 지금 긴밀히 협력하고 있습니다 자동차 ML 연구와 같은 것들을 가져 오는 것 이제 Cloud AutoML과 같은 제품으로 시작되었습니다 컴퓨터 비전을 가진 고객, 또는 다른 종류의 문제 일 수 있습니다 직원이 정교한 기계 학습 개발자를 보유하고 있으며, 그러나 활용할 수 있기를 원한다

이제는 존재하는 기계 학습 기능 중 하나입니다 우리는 자동적으로 고객이 제기 할 수있는 새로운 문제를 해결하기위한 훈련과 학습 있다 어셈블리에 깨진 부품이있을 수 있습니다 라인과 깨진 부분이 아니며 구별 할 수 있기를 원한다 기본적으로 이미지를 업로드 할 수 있습니다

그 (것)들을 돕는 훈련 한 모형을 얻으십시오 그 특별한 일로, 심지어 석사 학위가없는 것 직원에게 기계 학습 전문가 멜라니 워릭 : 의미가 있습니다 나는 열정의 당신의 분야 중 하나를, 특히, 그리고 당신이 중요한 영향을 미쳤던 곳에서, 특히 텐서 처리 장치 인 TPU 주변에 있습니다 TPU의 초기 개발을 주도하거나 고무 시켰던 것은 무엇입니까? 그리고 전에 네가이 대화를 나눴다는 것을 안다

그러나 특히 당신의 경험에서 네가 따라 와서 기술로 시작합니다 어떻게 그게 당신에게 왔습니까? 네 맞습니다 그래서 저는 항상 컴퓨터가 어떻게 흥미로운 문제를 해결하십시오 그리고 그 일을하는 흥미로운 방법 중 하나는 당신이 할 수있는 문제에 더 많은 계산을 필요로한다

그런 다음보다 정교한 알고리즘을 사용하고, 또는 더 큰 데이터 세트를 사용하여 더 나은 통찰력을 얻을 수 있습니다 따라서 더 많은 계산을하는 것이 일반적입니다 컴퓨팅에서 좋은 점 그리고 어쩌면 2011 년, 2012 년경에, 내가 공동 설립 한 Google Brain Project 시작하기 만하면 시작했습니다 여러 제품 팀과 공동 작업 Google에서 일부 제품에 대한 심층 학습을 사용합니다

그리고 우리가 가장 긴밀하게 협력 한 음성 인식 팀, 이전 스타일의 기계 학습 모델을 대체하는 방법 음성 인식에 사용하고 있었다 그것의 어쿠스틱 부분에 대한 깊은 학습 기반 모델로, 모델의 다른 부분은 단어의 일부분에 작은 오디오 녹음은 "바"또는 "ff"에 있습니다 또는 "ss" 그래, 맞아 제프 딘 : 그리고 다른 모델이있었습니다

우리가 처음에 집중하지 않은 처리의 그 단계 후에 그러나 어쿠스틱 모델을 심층 학습 기반으로 대체하는 것은 음향 모델은 많은 이득과 인식 정확성을 제공했습니다 그래서 우리는 음성 인식이 향상됨에 따라, 사람들은 점점 더 그것을 사용할 것입니다 그래서 저는 봉투 계산을 다시 시작했습니다 사람들의 하루에 3 분간 전화로 이야기하기 시작 했나요? 연설로 모든 이메일을 초안으로 작성하기 때문에 또는 뭔가 그리고 당시에는 많은 CPU가있었습니다

우리의 데이터 센터에서 그리고 얼마나 많은 계산을했는지 1 억 명의 사용자가 그 일이 시작되었는데, 그것은 실제로 발굴과 무서운 것이 었습니다 우리는 본질적으로 컴퓨팅 풋 프린트를 두 배로 늘려야합니다 약간 더 나은 연설을 지원하는 Google의 사용자의 겸손한 부분에 대한 인식 모델 MELANIE WARRICK : 합법적 인 것 같습니다

네, 조금 무서운 것 같아요 하지만 사용자에게 배포하려는 것이 확실합니다 당신이 보았던 인식의 이익 때문에 사실 꽤 중요합니다 그래서 우리는 우리가 무엇을 할 수 있는지 살펴보기 시작했습니다 이런 종류의 심층 학습 모델을 위해 더 계산 상 효율적 일 것입니다

그리고 정말 좋은 두 가지 속성이 있습니다 깊은 학습 모델에는 있습니다 그래서 처음에는 정밀도가 떨어지는 것에 매우 관대합니다 근본적으로, 당신이 정밀도를한다면 10 진수의 정확도를 좋아하기 위해, 이것은 실제로이 모델들에 대해서는 완벽하게 훌륭합니다 6 자리 또는 7 자리의 정밀도가 필요하지 않습니다

부동 소수점 연산에서와 마찬가지로, 또는 두 배 이상의 조합이 가능합니다 그리고 그들이 가지고있는 두 번째 재산 모든 알고리즘이 구성되어 있다는 것입니다 빌딩 블록의 소수의 다른 구성의, 근본적으로 행렬은 벡터 점을 곱합니다 제품, 선형 대수학 작풍 따라서 하드웨어 만 만들 수 있다면 저 정밀 선형 대수학을 가속화하도록 설계된, 당신은 황금이에요

그리고 그 덕분에 당신은 정말로 재단사가 될 수 있습니다 그걸 할 수있는 하드웨어 모든 종류의 꼬인 C ++ 코드를 필요로하지 않습니다 임의적 인 것들을 포인터 역 참조는 저 정밀 선형 대수입니다 그럼 갑자기, 당신은 완전히 디자인하는 방법을 재고 할 수 있습니다

그 일을하는 컴퓨터 MARK MANDEL : 정확히 무엇에 집중했는지 그것이 할 수 있는지, 특정 응용 프로그램이 있음을 의미합니까? TPU가 더 좋거나 나쁘다 네가 뭔가를 사용할 수 있다고 또는 어떻게 작동합니까? 네 맞습니다 그래서 이것은 양날의 칼 중 하나입니다

전문화에서, 당신이 과도하게 특화한다면 일반적으로 적용 할 수 없습니다 그러나 당신이 무언가를 매우 일반적으로 적용 가능하게 만든다면, 다음 모든 성능 이점을 얻을하지 않습니다 전문화에서 얻을 수 있습니다 그리고 우리는 실제로 TPU에 대해 꽤 좋은 균형을 택했다고 생각합니다 그들은 본질적으로 가속하도록 설계되었습니다

깊은 학습에서 발견 한 것과 정확히 같은 종류의 작업 모델 그래서 그들은 범용 컴퓨터 장치가 아닙니다 그러나 그들은 특정 모델에 맞춰져 있지 않습니다 그들은 모든 종류에 맞춰져있다 일반적으로 심층 학습 모델에서 발견되는 작업 그래서 당신은 그들에 비전 모델을 실행할 수 있습니다

음성 모델을 실행할 수 있습니다 반복적 인 언어 모델을 실행할 수 있습니다 최초의 TPU 인 TPU V1이 목표였습니다 오직 추측에서만, 당신이 실제로 어디에서 교육 과정보다 정확도가 떨어집니다 그리고 그것은 우리의 가장 시급한 문제였습니다

그것이 우리가 음성 인식 모델을 얻는 방법이었습니다 Google의 데이터 센터 공간을 두 배로 늘리지 않고도 그리고 나서 두 번째 TPU는 정말로 훈련과 추론을 모두 목표로합니다 그리고 우리가 그걸 처음부터 물지 않은 이유는 그 훈련은 훨씬 더 복잡한 하드웨어 디자인이었습니다 문제 추론을 위해서, 보통 당신 하나의 모델이 하나의 칩에 장착 할 수 있으며 더 많은 용량이 필요한 경우, 당신은 그 시스템의 모든 사본을 우표 처리합니다

많은 보드와 많은 컴퓨터를 넣고, 갑자기, 당신은 많은 음성 인식을 가지고 있습니다 생산 능력 교육을 위해 대형 모델에서는 거의 사용하지 않습니다 당신은 하나의 칩이 모델을 훈련시키기에 충분히 빠르며, 매우 빠르다 그리고 당신이 정말로 훈련에서 원하는 것 기계 학습 실험을위한 빠른 처리 시간이며, 또는 거대한 확장 성을 제공하므로 매우 큰 모델을 매우 대용량 데이터 세트는 매우 신속하고 반복 가능하며, 연구 관점에서 학습하는 기계

또는 배포 된 시스템 일 수도 있습니다 10 분마다 모델을 재교육하기 때문에 데이터가 변경 칩 설계 문제 만은 아닙니다 실제로는 전체 컴퓨터 시스템입니다 이것은 슈퍼 컴퓨터 설계 문제와 더 비슷합니다

너는 칩을 가지고 있고 너는 가지고있다 그 (것)들을 함께 연결하는 몇몇 복잡한 상호 연락, 또는 방법에 대한 냉각 문제가 있습니다 이 거대한 일을 식히 시나요? 여러 개의 랙으로 구성됩니다 그래서 우리가 첫 번째 시스템에서 그 것을 물지 않은 것입니다 TPU의 두 번째 반복까지 기다리기로했다

교육에도 착수하는 디자인 멜라니 워릭 : 그리고 당신은 올해 버전 3을 발표했습니다 TPUs의뿐만 아니라 네 네

과 멜라니 워릭 : 나는 냉기가 시스템, 이제 액체 야? 네 멋지다 그래, 그래, 멋지다 컴퓨터와 물을 섞을 때마다 언제나 흥미 진진합니다 [LAUGHS] 그래서 우리 센터가 Google I / O에서 발표 한 TPU v3 2018 년 5 월에 근본적으로 수랭이 발생했습니다

그래서 보드에는 4 개의 칩이 있습니다 수냉은 이들 칩의 표면으로 간다 과도한 열을 방출합니다 가장 큰 설치 면적 – 우리는 이것들을 포드라고 부릅니다 TPU v2 포드는 본질적으로, 64 개 장치, 256 TPU v2 칩으로 구성됩니다

그리고 TPU v3의 포드 스케일은 훨씬 더 큽니다 그래서 우리는 약 8 배의 계산량을 가지고 있습니다 우리가 TPU v2 포드에서했던 것처럼 TPU v3 포드에서 너의 팀에있는 몇명의 사람들을 안다 특히 Stanford DAWNBench를 실행하고있었습니다

그들은 차이점을 보여주고있었습니다 그것의 성과의 점에서 지금 당장처럼 내 머리 속의 모든 일이 바로 지금은 ImageNet입니다 할 수 있어요 멜라니 워릭 : 제발

제프 딘 : DAWNBench는 새로운 기계 학습입니다 벤치 마크는 스탠포드, 새벽 연구 그룹, 설계되었습니다 다양한 종류의 기계를 보는 것 학습 문제, 훈련과 추론, 그리고 측정 몇 가지 다른 통계 그래서 그들 중 하나는 특정 기계에 대한 것입니다 학습 문제, 얼마나 빨리 일정 수준의 정확성을 얻다 그 문제의 정확도가 좋습니다

그리고 그 중 하나는 ImageNet 처리 벤치 마크이며, 여기서 당신은 76 %의 최고 1 정확도를 얻어야합니다 MELANIE WARRICK : 그리고 이것은 이미지를 분류하는 것입니다 분류, 맞아 MELANIE WARRICK : ImageNet과 매우 비슷합니다 이것은 이것이 해결 된 것입니다

제프 딘 : 당신은 컬러 이미지를 얻습니다 그것을 1,000 개의 카테고리 중 하나로 분류해야합니다 실제로는 꽤 어렵습니다 최고 1 정확도의 인적 오류율은 약 5 %입니다 오우 와우

제프 딘 : 개 품종이 40 종류 나 되었기 때문에 당신은 구별 할 수 있어야합니다 마크 맹델 : 그럼 TPU가 꽤 괜찮은 것 같아요? 네, 그래서 TPUs는 3 위를 차지했습니다 포드 (Pod)로 전체 시간 메트릭의 스팟, 그리고 나서 상위 두 곳은 비용으로 믿습니다 퍼블릭 클라우드 컴퓨팅 리소스를 사용합니다 멋지다

WARRICK : 멋지다 자,이 칩들과 함께 일하는 것에 대해 가장 즐기는 것은 무엇입니까? 그리고 병렬 처리 작업? 제프 딘 : 사실 나는 흥분했습니다 꽤 오랜 시간 동안 병렬 처리에 대해, 대학에서 내 고등학교 1 학년 때부터 미네소타에서 병렬 처리 그리고 그 당시 나는 그것에 대해 정말로 흥분했습니다 왜냐하면 나는 더 많은 계산이 답이라고 느꼈기 때문에 더 많은 문제를 해결할 수 있습니다

그리고 이것은 흥분의 첫 번째 물결에서 일종의 것이 었습니다 80 년대 후반에 발생한 신경망에 대해 새로운 알고리즘이 개발 된 90 년대 초반 잠재적으로 흥미로운 것처럼 처음으로 부상했습니다 어려운 문제를 해결하는 방법 그리고 그 당시, 기본적으로, 신경망 장난감 크기의 문제에 대한 흥미로운 결과를 얻을 수 있습니다 정말 흥미로운 문제로 확장 할 수 없습니다

그래서 흥분의 물결이있었습니다 이것에 대해,하지만 그때 흥분의 파도, 나는 더 많은 계산을 느꼈다 시키는데 도움이 될 것 같았 어 우리는 더 큰 문제를 해결합니다 그래서 저는 교수와 함께 일하는 학부 논문을 만들었습니다

병렬 및 분산 컴퓨팅 클래스 강의 나는 독립적 인 논문을 만들었다 신경망의 병렬 교육 그래서 우리가 64 프로세서를 사용할 수있는 것처럼 느껴졌습니다 우리 부서에서 가지고있는 기계와 평행 방법을 적용해라 그것에 우리는 60 배 더 많은 계산을 할 수 있었고 그것을 적용 할 수있었습니다 이 일에, 그리고 나서 우리는 더 큰 문제를 해결할 수 있습니다

되돌아 보면, 우리는 백만 배나 더 많은 계산이 필요했습니다 60이 아닙니다 근본적으로 그냥 기다리면 더 많은 무어의 법칙으로, 적어도 약 5까지 또는 무어의 법칙이 크게 둔화 된 10 년 전 하지만 그 전에는 지난 25 년, 40 년, 심지어 우리는 일관된 2 배 성능을 얻고있었습니다 개선 2 년마다 당신은 단지 충분히 길게 그리고 갑자기 모든 것을 기다립니다

수백만 배나 많은 계산을하면 황금이됩니다 그리고 2008 년, 2009 년과 같은 일이 시작되었습니다 우리는 갑자기 처음에는 GPU 카드를 사용하여 충분한 계산을했고, 게임을 위해 디자인되었지만 분명히 밝혀졌습니다 깊은 학습 모델을 훈련하는 데 아주 유용 할 것입니다 당신이 원하는 많은 가속도가 있기 때문에 그래픽 처리를 위해 할 일 깊은 학습 모델을 훈련 할 수 있어야한다

그래서 사람들이 시작했을 때였습니다 학계에서 우리가 시작했다는 것을 정말로 알기 위해 실제 문제에 대한 흥미로운 결과를 얻기 위해 신경망 그래, 맞아 제프 딘 : 그래서 흥분이있었습니다 백업을 구축하기 시작했습니다

멜라니 워릭 : 가장 힘든 일은 무엇인가요? 당신의 경력에 ​​부품? AI가 수년 동안 잘 받아 들여진 것은 아니 었습니다 당신이 당시와 2006 년 사이에 공부할 때, 정말로, 맞습니까? 그래서 가장 어려운 순간은 무엇 이었습니까? 이 관심을 추구하는 측면에서, 이 연구를 추진하고 있습니까? 제프 딘 : 예, 사실 저는 온 것 같습니다 이것에 일반 컴퓨터 시스템 사람 그래서 저는보기를 좋아합니다 내가 가지고있는 렌즈의 종류 흥미로운 문제가 있습니까? 우리는 그 문제를 해결할 컴퓨터 시스템을 구축 할 수 있습니다

종종 표현을위한 좋은 추상화 우리가 수행하고자하는 계산, 또는 많은 양의 계산 및 병렬화 방법 파악 많은 컴퓨터에서 계산을 분산하거나 배포 할 수 있습니다 그래서 우리는 계산을 확대 할 수 있습니다 그래서 나는 학부생으로 일하고 있었지만 이 병렬 신경 훈련 [INAUDIBLE] 훈련 나는 그 관점에서 바라보고 있었다

컴퓨터 시스템을 어떻게 구축 할 수 있을까요? 그런 다음 기계 학습에 관심을 갖기 시작했습니다 2011 년에 앤드류와 충돌했을 때 Google의 마이크로 부엌에서 멜라니 워릭 : 나는 말할 것이다 그 이야기는 당신이 마이크로 부엌에 있었습니까? 네, 그렇습니다 그래서 나는 그를 조금 알고 있었다

그리고 나는 이렇게 말했습니다 아, 여기서 뭐하고 있니? 그는 오, 그리고 하루, 일주일, Google X에서 그리고 나는 내가 여기서 뭘하는지 알지 못했다 아직,하지만 스탠포드의 제 학생들이 시작하고 있습니다 어떤 종류의 문제가 신경망으로 풀릴 수 있는지보기 그들은 꽤 좋은 결과를 얻고 있습니다

나는 오, 정말? 꽤 괜찮은데 나는 학부생으로서 신경망에 대해 약간의 연구를했다 나는 그들이 지금 정말로 일하고 있다고 말했다 그리고 그는 좋아, 그렇습니다 그래서 저는 우리가 정말로 큰 신경망을 훈련해야한다고 말했습니다

그래서 그것이 어떻게 생겨 났는가? 우리는 Greg와 함께 Global Brain Project를 구성하기로 결정했습니다 코라도 그리고 우리는 근본적으로 그 당시 가속기가 없었습니다 또는 데이터 센터, 그러나 우리는 컴퓨터가 아주 많다고 말했습니다

컴퓨터 시스템을 만드는 방법을 알아 봅시다 CPU를 사용하여 정말로 큰 신경망을 훈련시킬 수 있습니다 MARK MANDEL : 그 순간이 어땠는지, 이것은 정말로 큰 일이 될 것입니까? 그렇게 생각 했니? JEFF DEAN : 우리가 조금은 조금은 한 번 같은 느낌 이었어 더 많은 일, 어쩌면 또 다른 한달의 물놀이, 그렇다면 실제로 문제를 해결할 수있는 것처럼 보였습니다 사람들이 느낀 신경망 오랫동안 올바른 추상화처럼, 하지만 어쩌면 그들은 진짜 문제에서 갑자기 일하기 시작할 것입니다

우리가 많은 계산을 적용 할 수 있다면 그리고 그것은 정말로 제 많은 관심사였습니다 지난 6 ~ 7 년 간 어떻게 문제를 계산할 수 있을까요? 당신은 기계 학습으로 태클하고 싶습니다 특히 깊은 학습? 멜라니 워릭 : 오늘 우리가 이것을 녹음 중입니다 신경 정보 처리 시스템 회의 후

11 분과 너무 많은 초처럼 매진되었습니다 제프 딘 : 48 세 멜라니 워릭 : 48 초 제프 딘 : 11 분 48 초 멜라니 워릭 (MELANIE WARRICK) : 이것을 예로 들면, 이 분야에서 분명히 많은 흥분이 있습니다

이 모든 흥분에 대해 어떻게 생각하세요? 제프 딘 : 상당한 과대 광고가 있습니다 그러나 다른 한편으로, 과대 광고 – 그것의 일부 실제로 우리가 실제로이기 때문에 실제로 정당화됩니다 우리가 할 수없는 문제를 해결할 수있는 시스템을 만들 수있다 5 년 또는 10 년 전에 해결하십시오 나는 컴퓨터 비전에 대해 언급했다

음성 인식은 엄청나게 발전했습니다 번역이 향상되었습니다 이러한 종류의 많은 응용 프로그램 실질적인 개선 또는 새로운 기능을 보여 주었으며, 어떤 컴퓨터가 할 수 있는지 그래서 나는 그것이 사람들이 흥분하는 이유의 일부라고 생각합니다 많은 사람들이 현장에 들어가고 싶어합니다

그래서 기계 학습 수업에 등록하는 것을 보았습니다 학부 및 대학원 레벨 그냥 지붕을 통과합니다 주요 기계를 다니는 사람들이 점점 더 많아지는 것을 보았습니다 회의를 배우기 연구 논문의 수를 봅니다

실제보다 빠른 지수 비율로 성장하는 아카이브 지난 7 ~ 8 년 동안 무어의 법칙보다 그것은 아주 주목할만한 일입니다 사람들의 기대를 완화시키는 것이 중요하다고 생각합니다 누가 우리가 초월적인 것들을 가질 것이라고 생각하니? 인간이 할 수없는 일반적인 문제를 해결할 수있다 다음 6 개월 내에 해결할 수 있습니다 그건 한 마디의 마약 중독이야

그것은 분명히 정당화되지 않았습니다 그러나 인식하는 것도 중요합니다 컴퓨터가 이제 볼 수 있습니다 그것은 꽤 큰 일이며, 이것은 중요한 의미를 가지고 있습니다 다른 영역, Google 또는 Alphabet, 자율 차량에 대한 작업 – 분명히, 컴퓨터 비전과 인식은 중요한 구성 요소입니다

안전한 자율 차량을 만드는 것 – 로봇 공학, 의학 이미징을위한 기계 학습, 기계 기타 의료 응용, 건강 관리를위한 학습 응용 프로그램 이것들은 세계의 주요 문제들을 변형시킬 것입니다, 좋았어 그것이 과장된 이유입니다 과도한 과대 광고를 줄이는 것이 중요합니다 내가 과대 광고해서는 안된다는 말은하지 말라

우리가 어떤 컴퓨터에서 중요한 발전을하고 있다고 생각하십니까? 할수있다 멜라니 워릭 (MELANIE WARRICK) 특히, 당신은 당신이 많은 관심을 얻지 않는 것 같은 느낌, 그러나 꽤 영향력이 있습니까? 네 내 말은, 실현이 있다고 생각해 내가 몇 가지 다른 문제를 보러왔다 우리 그룹의 연구자들은, 그리고 계속되고있는 다른 일들, 많은 과학적 문제에서 예를 들어, 전통적이며, 고성능이며, 일부 속성의 컴퓨팅 기반 시뮬레이션, 어떤 과학적인 것

어쩌면 당신은 화학적 상호 작용을 시뮬레이션하고있을 것입니다 매우 미세한 입자 수준 어떻게 전자가 흐르고 어떤 성질을 갖는가? 그게 있니? 또는 어쩌면 당신은 지진 결함을 시뮬레이션하고 있습니다 매우 상세한 물리학 기반 모델을 가지고 있습니다 미끄러짐과 지진이 어떻게 발생 하는지를 그리고 종종 이러한 계산 모델 계산적으로 매우 비싸다

그래서 당신은 당신의 시뮬레이터와 1 시간 동안 하나의 화학 물질을 사용합니다 나중에 퀀텀에 대한 정보를 얻습니다 이 화학 물의 특성, 또는 무엇이 결합 하는가? 무엇, 또는 그런 것들 그리고 실제로 시뮬레이터를 교사로 사용할 수 있습니다 그리고 만약 당신이 정말로 비싼 과학 시뮬레이터를 가지고 있다면, 종종 시뮬레이터의 기능을 수행하기 위해 신경망을 훈련 할 수 있습니다

완전히 [INAUDIBLE] 당신은 당신이 먹었을 입력을 시뮬레이터에 가져 가고, 출력을 얻었고 많은 예제를 실행했습니다 시뮬레이터를 통해 이제 당신은 [INAUDIBLE] 몇 가지 다른 도메인에서 Google은 실제로 보이는 사람들은 이것을합니다 예를 들어, 양자 화학 영역에서, George Dahl 및 우리 연구 그룹의 다른 사람들은, 다른 대학의 일부 화학자들과 함께 일했다

그들이 사용하고 있던 시뮬레이터를 가져 갔고, 티를하기 위해 신경망을 훈련했고, 지금 그들은 정확도와 원래의 HPC 스타일을 구별 할 수 없다 모의 실험 장치 그러나이 도구는 30 만 배 더 빠릅니다 MARK MANDEL : 와우 제프 딘 : 그리고 언제든지 당신의 도구를 가져 가세요

그리고 당신은 그것을 30 만 배 더 빨리 만든다 그것은 당신이 과학을 어떻게 할 것인지를 변화시킵니다 좋아, 너 상상할 수있어, 오, 커피를 만들거야 1 억 개의 분자를 가려 내고 내가 돌아 왔을 때, 나는 10,000을 볼 것이다 가장 흥미 롭습니다

그리고 같은 일이 브렌든 미드에게 일어났습니다 방문 하버드 대 교수진 1 년 동안 케임브리지에서 우리 그룹을 방문했습니다 지진 과오 시뮬레이션에 많은 노력을 기울였습니다 그는 중개했다, 직장에서 그는 단지 그가 우리를 방문하기 전에, 그가 지진 결함 시뮬레이션 대체 세계에서 가장 얇은 신경망의 내부 루프 그것은 각각 10 개의 뉴런으로 이루어진 4 개의 층이었고 갑자기, 그 일은 10 ~ 10 만 배 더 빨랐다

와우 와우 제프 딘 : 정확성의 차이를 말할 수 없었습니다 그래서 나는 그것이보기에 좋은 렌즈라고 생각합니다 과학적 컴퓨팅이나 시뮬레이션을하고 있습니까? 어떤 종류의? 그런 다음 신경망을 훈련시켜 그 근사치를 계산할 수 있습니까? 정확할 가능성이 매우 높습니다

교육 자료가 충분하다면? Mark MANDEL : 이제 저는 생각합니다 – 멜라니 워릭 : 아이디어를 줘? MARK MANDEL : 글쎄, 나는 게임, 그래서 지금 당신은 그런 종류의 공연을 얻을 수 있다면 나는 같아요 그 수준의 시뮬레이션을 위해서는 정말 흥미로운 일을 할 수 있습니다 네 맞습니다 네

멜라니 워릭 : 그리고 나는 네가 이것에 대해 말한 것을 보았다고 생각한다 신경망을 사용하여 도움을 얻고 있다는 것을 시스템의 실제 성능 향상과 함께 그들 자신 제프 딘 : 일반 컴퓨터에는 큰 기회가 있습니다 시스템 따라서 운영의 핵심에 대해 생각한다면 시스템 또는 컴파일러, 또는 스토리지 시스템, 또는 다른 컴퓨터 시스템, 그들은 일반적으로 손으로 쓴 경험적 방법을 사용합니다

어떤 프로세스가 운영 체제 여야합니까? 사용할 수있는 준비된 프로세스 중에서 다음 일정을 예약 하시겠습니까? 또는 컴파일러의 경우 코드를 내야합니까? 이 루프와 함께 주문, 또는이 루프 주문? 또는 이것이 어떤 변수가 메모리에 구축되어야하는지 그것들을 모두 레지스터에 넣을 수 없을 때? 그리고 많은 경우에, 나는 이것이 실제로 있다고 믿습니다 학습 문제 그래서 사람들이 손으로 쓰는 경향이있는 발견 적 방법 일반적인 경우에 잘 작동해야하며, 그런 식으로는 실제로 개발 될 수 없습니다 시스템이 사용되는 방식에 완전히 적응할 수 있습니다 그래서 우리의 거대한 테이블 스토리지 시스템에서 여러분에게 모범을 보이기 위해서 – 이것은 본질적으로 핵심 가치 저장소입니다

그리고 클라이언트 요청은 큰 테이블 서버로 들어옵니다 특정 데이터를 요청할 수 있습니다 다른 테이블에서 읽습니다 그런 일이 발생하면 큰 테이블 서버 그것을 이름 메모리 캐시에 넣기로 결정하고, 그 데이터가 다시 필요할 경우, 캐시에 있습니다 디스크에 가서 가져올 필요가 없습니다

그리고 보시면 많은 정보가 있습니다 결정을 내릴 때 사용할 수 있습니다 디스크의 데이터 우리는 예를 들어 내부 사용자 그룹을 알고 있습니다 그 프로세스를 실행중인 작업의 데이터를 요청했습니다

우리는 아마도 이것을 요구 한 직무를 알고 있습니다 그리고 당신은 결코 휴리스틱을 쓰지 않을 것입니다 따라서 순차적 인지도 제작에서부터 많은 처리가 이루어집니다 스타일 처리 작업 데이터를 한 번 읽으십시오 한 시간이 지나기 전에 다시 사용하지 마십시오

나중에 비슷한지도 제작이 시작됩니다 하지만 실제로 캐시에 삽입하고 싶지는 않습니다 왜냐하면 당신은 즉시 모든 사용을 얻지 못할 것이기 때문입니다 하지만 당신은 결코 휴리스틱을 쓰지 않을 것입니다 큰 테이블 서버의 중간에 즉, 작업 이름이 MapReduce 대시로 시작하는 경우, 그런 다음 캐시에 삽입하지 마십시오

그러나 학습 추론이 할 수있는 것을 살펴 본다면, 꽤 빨리 패턴을 배울 것입니다 MapReduce 대시로 시작하는 것처럼 보이는 이러한 작업 캐시에 삽입 한 데이터를 재사용하는 것처럼 보이지 않습니다 그래서 저는 삽입하지 않을 것입니다 그리고 수천 명의 사람들에게 거대한 잠재력이 있다고 생각합니다 수천 및 수천의 발견 적 방법 컴퓨터 시스템에서, 정말로, 대부분은 배우고 실제 사용 방법에 적응하십시오

멜라니 워릭 : 정말 멋지고 흥미 롭습니다 이것이 개선 될 수있는 방법에 대해 생각해보십시오 너에게 묻고 싶은 것들이 너무 많아 우리는 확실히 제한 될 것입니다 그래서 나는 공간을 확보하고 싶다

네가 우리가 이것을 발표 할 때 남아프리카에있을 것입니다 그리고 구체적으로 말하면 당신은 거기에 있습니다 딥 러닝 인다 바에서 케이프 타운 바깥에 위치 그럼 어떻게하면되는지 알려주시겠습니까? 너는 이것에 연루되어있어, 회의 자체, 그리고 당신은 무엇에 관해 말하고있을 예정입니까? 물론이지 그래서 나는 도전적인 문제를 푸는 것에 대해 이야기 할 것입니다

깊은 학습이나 뭔가의 세계에서 좋아요 사실, 프레임 된 방식은 주위에 있습니다 국립 공학 아카데미 2008 년 중요한 문제 목록을 발표했다 엔지니어링 공동체를 위해, 커다랗고, 21 세기에 일하기

그리고 그것은 14 가지 영역의 목록입니다 의료 정보학 향상, 더 나은 약을 개발하고, 태양 에너지 생산을 향상시킵니다 그리고 만약 당신이 그들을 보았다면, 저는 실제로 기계 학습이 태클에 유용 할 것이라고 생각한다 그 다른 모든 것들의 크고 작은 조각 그래, 맞아

제프 딘 : 그러니까 그 얘기는 약간 짜 맞춰져 있습니다 이봐 요, 여기 있습니다 우리가 해낸 흥미로운 일들 그것은 일부를 풀기위한 길의 일부입니다 이 웅대 한 도전 지역의 좋았어

제프 딘 : 그리고 딥 레이디 인다 바 (Deep Learning Indaba) 정말 흥미 진진한 사건입니다 그것은 모임입니다, 나는 약 400 명 또는 500 명이라고 생각합니다 거의 아프리카 대륙에서부터, 다른 나라에서 그리고 정말로, 급성장하고 흥미로운 커뮤니티가 있습니다 기계 사용에 흥분되는 아프리카에서 학습 및 기계 학습 연구, 아프리카 국가의 문제를 해결하기 위해 기계 학습을 사용 전 세계에 걸쳐 그리고 나는 이것이 정말로 흥미 롭다고 생각한다

아프리카의 연구 공동체의 팽창을보기 위해, 다른 나라들도 마찬가지입니다 그래서 그 일에 참여하게 된 것을 기쁘게 생각합니다 나는 실제로 우간다와 소말리아에서 어렸을 때 살았습니다 와우 와우

마크 AND델 : 멋지다 그래서 나는 단지 – 멜라니 워릭 : 그것은 당신에게 중요합니다 이 그룹에 참여하고보고 성장할 수 있어야합니다 마크 멘델 : 환상적입니다 멜라니 워릭 : 두뇌가 확장 된 것도 알고 있습니다

가나에, 그리고 복장이 있어요 무스타파 시세 (Moustapha Cisse)가 이끌고 있는데, 우리는 어느 시점에서, 잘하면 포드 캐스트에 올 것입니다 내가 그를 만났기 때문에 그는 훌륭합니다 대단한데 멜라니 워릭 : 알아, 그는 위대해

그리고 나는 그들이 바닥에서 떨어져 있고 우리가 말하는 것처럼 달리고 있다는 것을 알고 있습니다 당신이 다른 그룹이 있습니까? 성장할 것, 또는 다른 사무실 너는 심지어 말 할 수있는 회전을 찾고 있니? 아니면 우리가 제대로 이야기 할 수없는 것입니까? 제프 딘 : 우리는 가나 사무소에 대해 매우 흥분하고 있습니다 우리는 사무실 공간을 혁신하기위한 마지막 골목에 서 있습니다 우린 사무실에 사람들을 고용 했어 내가 생각하기에는 큰 도움이 될 것 같아

우리의 글로벌 연구 기관에 그들은 두 기계 모두에서 환상적인 작업을 수행 할 것입니다 학습 연구, 흥미로운 적용을보고 가나와 그 나머지 지역에 특유한 문제들 아프리카 나는 그것이 무스타파를 아주 좋아할 것이라고 생각한다 그는 훌륭한 지도자이며 훌륭한 사람입니다 우리 사무실에 그를 데려 간다

멜라니 워릭 : 그는 멋진 사람입니다 내가 너에게 묻고 싶었던 다른 것, 또는 다른 몇 가지 그래서 Deep Learning Indaba를 기대합니다 누가 거기에 관심이있는 사람, 쇼 노트에 제공 할 리소스가 있습니다 우리가 만져보고 싶은 마지막 몇 가지 너를 풀어주기 전에

최고의 조언 중 하나 인 것을 알고 싶다 당신이 당신의 경력에서받은 것 제프 딘 : 특정 조언이 필요한지 모르겠습니다 나는 받았지만, 내가 만든 관찰은 내 경력은 재미있는 일을하는 정말 좋은 방법입니다 당신이하지 않는 것을 알고있는 사람들과 파트너가되기 위해서

그리고 저는 종종 비슷한 프로젝트, 3 가지 프로젝트 또는 네 사람, 각자 다른 종류의 전문성 그리고 집합 적으로, 당신은 함께합니다 당신 누구도 흥미로운 문제를 해결할 수는 없어요 개별적으로 해결할 수 있습니다 하지만 집단적으로 할 수 있습니다

기술의 전체가있다 또는 그들을 개발할 수 있습니다 정말 중요한 이유가 계속해서 새로운 것을 배우는 것이 좋은 방법인가요? 학교를 졸업 한 후에도 나는 당신이 학부 때 생각한다 또는 대학원에서, 또는 무엇이든, 당신은 분명히 학습 것들

그러나 일을 계속 배우고 픽업하는 것이 중요합니다 새로운 아이디어와 일종의 뇌 자극, 이것은 정말 좋은 방법입니다 그리고 나서 당신은 그 프로젝트로 떠납니다 당신은 다른 프로젝트로 진행합니다 다른 사람들의 전문 지식 중 일부 너에게 빛나는 문양이있어, 지금 적어도 문제를 볼 수 있습니다

그들이 가지고있는 전문 지식의 렌즈를 통해, 오, 그래, 그렇게 많이 생겼어 내가 물어볼 질문이나 올바른 접근법을 안다 그게 아니라해도 당신의 공식적인 배경 그래, 확실히 당신은 무어의 법칙과 연구의 양에 관해 언급했습니다

그게 나오고 특히 서류들 당신은 어떻게 자원과 연구를 유지합니까, 그리고 그 모든? 그래, 다시 말하자면, 나는 이것이 너 자신을 둘러싼 곳이라고 생각해 당신이하지 못하는 것을 아는 사람들은 정말로 좋은 길입니다 네가 좋은 사람들의 네트워크를 가지고 있다면 당신이 상호 작용한다는 것은 부분적으로 당신의 눈과 귀가 될 수 있습니다 관심있는 분야에서 흥미로운 것을주의 깊게 살펴보십시오

말하자면, 오, 예, 그것은 재미 있습니다 누군가 오늘이 사실을 말해 줬어 그리고 서로 다른 영역간에 도트를 연결할 수 있습니다 여기에서 개발 된 기법의 잠재력을 확인하십시오 그것이 어떻게 여기에서 사용될 수 있는지, 그것이 어떻게 잘 결합되는지 다른 기술과 함께, 그리고 실제로 서로를 기반으로합니다

그래서 나는 모든 것을 따라 잡는 것이 매우 어렵다고 생각합니다 그래서 당신은 집단적으로 당신이 정말로 당신이 어떤 것을 발견 할 필요가 있습니다 너 자신을 따르고 그 후에 대담한 정보 수준을 얻으십시오 다른 것들에 대해서 제가 관찰 한 한 가지는 많은 사람들이 정말로, 정말로 깊이 연구 논문을 읽었습니다 때로는 중요하다고 생각합니다

그러나 일반적인 학습을위한 잘못된 접근 방법입니다 나는 네가 훨씬 더 잘 봉사 할거라 생각한다 100 개의 초록 100 개를 읽을 시간이 필요하다 다른 서류와 최고 수준의 이해 그들 각각이 가지고있는 개념 너는 항상 더 자세히 읽을 수 있기 때문에 당신이 그것에 대해 더 많이 알아야 할 필요가 있다면, 100 개의 정보를 가질 수는 있습니다

좋아, 오, 그래, 그건 기술이야 그게 문제 야 우리는 그런 것을 할 수 있습니다 그 점을 실제로 연결하는 방법입니다 필드를 가로 질러 연결하기 또는 다른 문제에 걸쳐

좋아요 멜라니 워릭 (MELANIE WARRICK) : 특정 공공 연구 너는 최근에 들어 봤어, 특히 그게 마음에오고, 당신이 맘에 든다면, 나에게 흥미 롭습니다 제프 딘 : 글쎄, 나는 생각한다 자동으로 컴퓨터를 사용할 수있는 방법 실험을하고, 그 결과를 측정하고, 결과를 지속적으로 흡수합니다 첫 번째 실험 집합의 새로운 실험을 생성합니다

그래서 모든 신경 건축물 검색 작업, 또는 우리 그룹이 가지고있는 자동차 직업 해왔다, 강화 학습 기반의 많은 Go와 같은 게임을 풀 때 약속을 보여주는 작품 또는 우리의 [INAUDIBLE] 나는이 모든 것들이 그 일반적인 방향을 지적한다고 생각한다 자동으로 컴퓨터를 사용할 수있는 방법 문제 해결을위한 다양한 접근 방법을 모색한다 중요한 일이 될 것입니다 컴퓨터는 50,000 회의 실험을 실행할 수 있기 때문에, 인간이 50을 돌리는 동안, 결과를보고, 그 다음에 실행해야 할 다음 50 가지 항목을 파악합니다 MARK MANDEL : 네

멜라니 워릭 : 좋아, 그리고 다른 질문 나는 모든 인터뷰에서 너에게 묻고 싶다 너는 해본 적이있다 무슨 질문을 할까? 사람들이 너에게 물어 보길 바란다 흥미로운 점 하나 알려 드리겠습니다 어떤 사람들은 모른다

그래서 저는 실제로 아이처럼 많이 움직였습니다 나는 12 년 동안 11 개 학교에 다녔다 그리고 나는 생각한다 멜라니 워릭 : 그건 학교 다 제프 딘 : 학교가 많습니다

오, 새해, 새 학교처럼 멜라니 워릭 : 너는 많은 친구들을 사귀는 법을 배웠다 확실해 네 제 말은 제게 도움이되었다고 생각합니다

내가 다른 곳에서 살게했기 때문에 환경의 종류에 관계없이 하와이, 보스톤, 우간다, 보스톤, 아칸소, 하와이, 미네소타, 소말리아, 애틀란타, 제네바, 시애틀, 베이 지역 멜라니 WARRICK : 당신은 전혀 개방적이어서는 안됩니다 제 도움이되는 것 같아요 그 장소들 어디에서나 정말 훌륭한면을 발견 할 수 있습니다 나는 그것이 좋은 전망이라고 생각합니다

마크 멘델 : 환상적입니다 마무리하기 전에 모든 리소스를 우리 청취자들에게 추천하고 싶다 깊은 학습을 원하는 사람들, TPUs, Google 두뇌, 줄기 세포 연구 그래, 나는이 질문을 많이 받았다 그것의 많은 것은 전문 지식의 수준에 달려 있습니다

이미있다 그래서 나는 하나의 대답을 가지고 있지 않다고 생각하지만, 나는 추천한다 많은 블로그가 있습니다 크리스 Olah의 블로그와 distillpub 저널 그는 숀 카터 (Sean Carter) 특정 수준의 사람들을위한 정말 좋은 박람회입니다

전문 지식 내 생각에는 기계가 크래시를 배우는 것과 같아 Google이 제시 한 과정 Udacity와 Coursera에는 많은 코스가 있습니다 다양한 수준의 전문 지식, 깊은 학습 Ian Goodfellow, Yoshua Bengio 및 Aaron 교과서 쿠르 빌은 아주 좋은 것입니다

목표로 삼는 자료가 많이 있습니다 수학이 덜 진보 한 사람들 같은, 고등학생 및 중학교의 기술 학생 거기에는 풍부한 정보가 있습니다 공동체가 생산하고있는 것이 정말 좋습니다 너무 많은 입문 자료와 고급 자료 모두를위한

마크 AND델 : 훌륭합니다 멜라니 워릭 : 좋아 글쎄, 우리는 당신이 말하고 있다는 사실을 다뤘다 딥 러브 인더 바에서 우리가 너를 풀어주기 전에 말하고 싶은게 있니? 아니, 정말 흥분 돼

나를 보내 주셔서 감사하고 대화에 감사드립니다 멜라니 워릭 : 와줘서 고마워 고맙습니다 MARK MANDEL : 정말 고마워요 물론이지

MARK MANDEL : 다시 한번 Jeff에게 감사드립니다 그냥 모든 일에 참여하는 것이 정말 좋았습니다 그리고 내가 그 점에서 정말로 감사하는 많은 것들 중 하나 그가 아직도 코드하는 것을 듣고 있었다 네 그 애가 오늘 하루 야

MARK MANDEL : 월요일에, 나는 암호를 썼다 MELANIE WARRICK : 그것이 바로 내가 코딩 할 때입니다 당신이되는 것처럼 그렇게하기가 어렵습니다 네 인생에서 그 유형의 공간을 만들기 위해 더 많은 노인 어쨌든, 고마워

MARK MANDEL : 네 알았어 주의 질문 마크 맹델 : 그래서 우리 멋진 친구, 게이 게이 와이즈 : Whee

헤이 게이브, 너를위한 멋진 질문이있어 왜냐하면 우리는 당신이 코어에서 물건을 다룬다는 것을 알고 있기 때문입니다 GABE WEISS : 준비 됐어 MARK MANDEL : IoT Core가 있다면, IoT Core에서 데이터를 얻는 방법 웹 프런트 엔드에 실시간으로 표시 하시겠습니까? 나는 당신이 이런 식으로 일했다고 믿습니다

GABE WEISS : 나는 최근에있다 IoT에서 일하는 사람은 누구나 알고 있습니다 이것을하기위한 다양한 방법이 있습니다 다른 종류의 장치가 있습니다 다른 프로토콜이 있습니다

다른 모든 것이 있습니다 그래서 해변에 얼마나 많은 모래 덩어리가 있습니까? 이것이 얼마나 많은 방법으로 이것을 할 수 있느냐입니다 우리가 황금 경로의 일종으로 그 일을 한 방법 Cloud at 2018 년에 무대에 전체 엔드 앱을 만들었습니다 우리 다섯이 있었어

그래서 우리는 장치에서 나왔습니다 일부 센서와 함께 Raspberry Pi를 사용했습니다 우리가 한 일은 심장 박동수를 측정하는거야 그리고 그것은 프로토콜로서 MTTT와 통신 할 것입니다 우리는 IoT Core를 사용하여 수신 방법을 이해합니다 따라서 장치에서 원격 측정 데이터를 전송할 수 있습니다

IoT 코어로 IoT Core에서 브리지됩니다 모든 원격 측정 데이터가됩니다 이벤트 스트림 관리자 인 Cloud Pub / Sub의 이벤트입니다 Cloud Pub / Sub에서 Cloud 기능을 트리거 할 수 있습니다

Pub / Sub에서 원격 측정 데이터를 끌어 내려면 데이터웨어 하우스에 저장합니다 클라우드 파이어 스토어 (Cloud FireStore)였다 우리는 FireStore를 SQL 데이터베이스가 아니기 때문에 선택했습니다 그것은 매우 낮은 대기 시간이고 특별한 소스가 있습니다 푸시 메커니즘이있어 프런트 엔드 앱에서 데이터베이스에서 데이터가 변경되면 콜백에 등록하십시오

따라서 실시간 응용 프로그램의 경우 이것은 엄청납니다 그래서 우리의 프런트 엔드는 Angular 앱이었습니다 FireStore에서이 콜백에 가입 한 우리가 작성한 그것을 끌어 당겨 우리의 심장 박동수를 그래프에 그립니다 끝까지 끝까지, IoT Core까지 디바이스였습니다 Cloud Pub / Sub에서 브리징됩니다

Pub / Sub에는 클라우드 기능이 있습니다 그것을 Cloud FireStore로 밀어 넣습니다 FireStore는 콜백을 통해 각도 앱으로 실행됩니다 좋았어 GABE WEISS : 예

MARK MANDEL : 와우 GABE WEISS : 꽤 근사했습니다 MARK MANDEL : 그 말을 세 번 빨리하십시오 GABE WEISS : 나는 할 수 없다는 것을 안다 내가 한 번 해냈어

충분히 좋았지, 그렇지? MARK MANDEL : 그게 효과가 있습니다 공개 샘플이 있습니까? 사람들이 실제로 가서보고 볼 수 있습니까? GABE WEISS : 예 그래서 그것을 찾는 가장 쉬운 방법은 YouTube에 있다면, 당신은 "IoT 애플리케이션 구축"에 대한 검색을 수행합니다 Google Cloud에서 " 그곳에있는 유일한 사람

컨퍼런스 비디오를보실 수 있습니다 설명의 링크 모든 코드를 사용하여 GitHub에 연결됩니다 MARK MANDEL : 굉장해 멜라니 워릭 : 잘 됐네 고마워, 게이

와 주셔서 감사합니다 우리는 그주의 질문을합니다 게이브 와이즈 : 나를 보내 주셔서 고마워요 알았어, 마크, 너 어디 갈거야? MARK MANDEL : 내가 뭘하고 있니? 너 뭐하고 있니, 뭘 안다고? MARK MANDEL : 그래서 나올 때, 나는 도쿄에있을거야 멜라니 워릭 : 네

MARK MANDEL : 도쿄 다음 준비하기 매우 흥분했습니다 나는 거기에 대해 이야기 할 것이다 [INAUDIBLE] 나는 일부 게임 사람들과 이야기하고 있습니다 그래서 당신이 마을에 있다면, 인사하러와

너 무슨 일이야? 멜레 니 워릭 : 그리고 나는 스텔 렌 보쉬에있을거야 나는 아마 내가이 시점에서 많은 것을 말했을 것이라고 생각한다 예, 그렇습니다 MELANIE WARRICK :하지만 몇 가지 인터뷰를 할 예정입니다 그리고 너와 나는 둘 다 Strange Loop에있게 될거야

월말 MARK MANDEL : 그래, 정말 좋을거야 게이브, 다음 달에 특별한 곳으로가는거야? GABE WEISS : 나야 우리는 유럽 여행을하고 있습니다 나는 런던, 파리, 바르셀로나를하고있다

일련의 회의를 위해 오, 그게 어렵다고 들었어 MARK MANDEL : 어느 회의에 갈 건데? GABE WEISS : 그래서 London은 Cloud Next입니다 이는 우리 시리즈의 다음 반복입니다 그리고 파리는 팀 메이트를 방문하고 있습니다

나는 이상한 5 일이 있기 때문에, 나는 유럽으로 앞뒤로 날아 다니고 싶지 않다 그리고 바르셀로나는 큰 IoT 회의 인 IoT Solutions World 의회, 일종의 큰 유럽의 IoT 회의입니다 좋았어 마크 멘델 : 환상적입니다 GABE WEISS : 예

멜라니 워릭 : 음, 좋은 여행을해라 GABE WEISS : 고마워 마크, 나는 이번 주에 그것이 우리를위한 것이라고 생각한다 MARK MANDEL : 네 Melanie와 Gabe, 우리와 함께 해줘서 고마워

Podcast에서 또 다른 주간 고마워요 GABE WEISS : 고마워 MARK MANDEL : 그리고 모두 들어 주셔서 감사합니다 우리는 다음주에 모두 만날거야

[음악 재생]