"Blockbuster" Google Brain resmi yıllık raporu: TensorFlow, makine öğrenimi, doğal dil işleme (en iyi 27 konferans bildirisi)
1 Yeni Zhiyuan derlemesi
Google Brain'in uzun vadeli hedefi, insanların yaşamlarını iyileştirmek için çeşitli alanlarda saf teorik ve uygulamalı araştırmalar yoluyla daha akıllı yazılımlar ve sistemler oluşturmaktır. Bu elbette uzun vadeli bir hedef. Ekibimizin geçen yıl kaydettiği ilerlemelerin bir kısmını gözden geçirelim ve 2017'de bizi beklediğini düşündüğümüz şeyleri paylaşalım.
Kağıt yayın
ICML, NIPS ve ICLR gibi en iyi uluslararası makine öğrenimi konferanslarında makaleler yayınlamak, araştırmamızı değerlendirmek için önemli bir araçtır. Geçen yıl, ekibimiz bu konferanslardan program sentezi, bir ağdan diğerine bilgi aktarımı ve makine öğrenimi modellerinin dağıtılmış eğitimi gibi çok çeşitli konuları kapsayan toplam 27 bildiri aldı ( makine öğrenimi modellerinin dağıtılmış eğitimi, dil için üretken modeller, robotik için denetimsiz öğrenme, otomatik teorem kanıtlama, sinir ağlarının daha iyi teorik anlayışı sinir ağları), iyileştirilmiş pekiştirmeli öğrenme için algoritmalar (geliştirilmiş pekiştirmeli öğrenme için algoritmalar) ve diğerleri.
Doğal dil işleme (ACL, CoNNL), konuşma (ICASSP), vizyon (CVPR), robotik (ISER) ve bilgisayar sistemleri (OSDI) alanlarındaki konferanslara dahil edilen birçok başka makalemiz var. Ekibimiz ayrıca, son teknoloji bir derin öğrenme araştırması konferansı olan yaklaşan ICLR 2017'ye 34 bildiri sundu.
Daha fazla bilgi edinin: https://research.google.com/pubs/BrainTeam.html.
Doğal dil anlayışı
Bilgisayarların insan dilini daha iyi anlamasını sağlamak, araştırmamızın önemli bir alanıdır. 2014'ün sonunda, üç Google Brain ekibi araştırmacısı "Sinir Ağları ile Sıralı Öğrenim Sırası" adlı bir makale yayınladı ve yöntemin makine çevirisi için kullanılabileceğini kanıtladı. 2015 yılında, bu yöntemin resim başlıkları oluşturmak, cümleleri ayrıştırmak ve hesaplamalı geometri problemlerini çözmek için de kullanılabileceğini gösterdik.
2016'da, önceki araştırmalar (birçok iyileştirme dahil) nihayet ekip üyelerimizin Google Translate'i destekleyen algoritmaları tamamen uçtan uca bir öğrenme sistemiyle (basılı olarak indirme) tamamen değiştirmek için Google Translate ekibiyle yakın bir şekilde çalışmasına izin verdi. Bu yeni sistem, bazı dillerin eski sistemi ile insan çevirisinin kalitesi arasındaki boşluğu% 85 oranında daralttı.
Birkaç hafta sonra, sistemin nasıl "sıfır vuruşlu çeviri" yapabileceğini ve daha önce hiç görmediği diller arasında örnekleri çevirmeyi öğrendiğini gösterdik (basılı olarak indirilir). Bu sistem artık Google'ın çeviri hizmetinde kullanılıyor ve kullanıcılarımıza daha yüksek kaliteli çeviriler sunmak için giderek daha fazla dilde kullanılıyor ve insanların dil engellerinin ötesinde daha etkili iletişim kurmasına olanak tanıyor.
Gideon Lewis-Kraus, bu çeviri çalışmasının yanı sıra derin öğrenmenin tarihçesini ve Google Brain ekibinin tarihini "Büyük Yapay Zeka Uyanışı" makalesinde kaydeder.
Bu, Aralık 2016'da New York Times Magazine'de yayınlanan derinlemesine bir makaledir. Klasikleri incelemek için yukarıdaki resme tıklayın.
robot
Geleneksel robot kontrol algoritmaları dikkatlice manuel olarak programlanır, bu nedenle yeni yeteneklere sahip robotlar oluşturmak genellikle çok zahmetli bir süreçtir. Robotların makine öğrenimi yoluyla otomatik olarak yeni beceriler edinmesinin daha iyi bir yol olduğunu düşünüyoruz. Geçen yıl, robot kolunun el-göz koordinasyonunu nasıl öğrendiğini göstermek ve kendi kendine daha hızlı öğretmek için deneyimlerini bir araya getirmek için Google X'teki araştırmacılarla birlikte çalıştık. Robotumuz bu çalışmada yaklaşık 800.000 kavrama girişiminde bulundu.
Üst sıra: Robot kolları ve yaygın ev eşyaları arasındaki etkileşim
Alt sıra: Orijinal görüntüyü ve bir işlem sekansını elde ettikten sonra, gelecekteki kamera fotoğraflarını tahmin edin
2016'nın sonlarında, robotların yeni beceriler öğrenmesinin üç olası yolunu keşfettik: pekiştirmeli öğrenme ve insan gösterileri yoluyla, nesnelerle kendi başlarına etkileşime girmelerine izin vererek. Temel fikir, birden fazla robotun ayrı ayrı öğrenmesine izin vermek, ardından öğrenilen bilgileri sunucuya yüklemek ve ardından eğitim ve ayarlama için sunucudaki bilgileri paylaşmaktır. Bu "kolektivist" öğrenme yöntemi sadece öğrenme süresini büyük ölçüde kısaltmakla kalmaz, aynı zamanda görev çeşitliliğini de genişletir.
Bu çalışmaya devam edeceğiz.Amacımız, robotların yeni görevleri esnek ve kolay bir şekilde öğrenmesini ve dağınık bir gerçek dünyada çalışmasını sağlamaktır. Diğer robotik araştırmacılarına yardımcı olmak için birden fazla robotik veri seti yayınladık.
sağlık Sigortası
Doktorların ve klinik tıbbın potansiyelini geliştirmek için makine öğrenimini kullanmaktan heyecan duyuyoruz. Örneğin, Journal of the American Medical Association (JAMA) 'da yayınlanan bir makalede, makine öğrenimi sürücü sisteminin diyabetik retinopatiyi teşhis etme yeteneğinin profesyonel oftalmologlarınkiyle karşılaştırılabilir olduğunu kanıtladık. Diyabetik retinopatinin erken semptomları tespit edilmezse, 400 milyondan fazla kişi körlük riski altında olacaktır, ancak birçok ülkede gerekli taramayı yapan çok az sayıda oftalmolog vardır. Bu teknoloji, daha fazla kişinin uygun şekilde almasını sağlamaya yardımcı olabilir Tarama.
Diğer tıbbi görüntüleme alanlarında da çalışıyoruz ve diğer tıbbi tahmin çalışmaları için makine öğrenimini araştırıyoruz. Makine öğreniminin doktorlar ve hastalar için tıbbi deneyimin kalitesini ve verimliliğini artırabileceğine inanıyoruz. 2017 yılında bu alandaki çalışmalarımızdan daha fazla bahsedeceğiz.
Müzik ve sanat üretimi
Teknoloji, insanların baskı makineleri, filmler veya elektro gitarlar gibi medyayı oluşturmalarına ve paylaşmalarına her zaman yardımcı olmuştur. Geçen yıl, sanat ve makine zekasının kesişimini ve insan yaratıcılığının potansiyelini artırmak için makine öğrenimi sistemlerinin kullanımını keşfetmek için Magenta adlı bir proje başlattık. Müzik ve görüntü üretiminin başlangıcından metin oluşturma ve VR alanlarına kadar Magenta, içerik oluşturma üretken modelinde en ileri teknoloji gelişimini teşvik ediyor.
Bu konularda bir günlük bir seminer düzenlenmesine yardımcı olduk ve makine yapımı sanatın yer aldığı bir sanat sergisine destek verdik. Çeşitli müzik yaratımı ve sanatsal stil aktarımı temalarını tartıştık ve konser sunumumuz NIPS 2016'nın En İyi Sunum Ödülü'nü kazandı.
AI güvenliği ve adaleti
Daha güçlü ve daha karmaşık yapay zeka sistemleri geliştirirken ve bunları daha geniş gerçek dünyada dağıtırken, bu sistemlerin güvenli ve adil olmasını sağlamak istiyoruz ve ayrıca insanların ne ürettiklerini daha iyi anlamalarına yardımcı olacak araçlar oluşturmak istiyoruz. şeyler.
Yapay zeka güvenliği alanında, kurumlar genelinde Stanford, Berkeley ve OpenAI'den araştırmacılarla işbirliği yaptık ve yapay zeka güvenliği Beton Sorunları üzerine bir beyaz kitap yayınladık. Bu makale, yapay zeka güvenliği alanında gerçek ve temel araştırmalara sahip olduğuna inandığımız bazı özel konuları ve alanları özetlemektedir. İlerleme kaydettiğimiz diğer bir güvenlik yönü, veri gizliliği korumasını eğitmek ve bilgi aktarım teknolojisi aracılığıyla farklı gizlilik garantileri elde etmektir.
Güvenliğin yanı sıra, daha karmaşık ve karmaşık kararlar almak için yapay zeka sistemlerine güvenmeye başladık ve bu kararların adil olmasını sağlamak istiyoruz. Denetimli öğrenim için fırsat eşitliği hakkındaki bir makalede (kağıt indirme), herhangi bir tür ayrımcılığı önlemek için eğitimli tahmincilerin en iyi şekilde nasıl ayarlanacağını gösterdik ve bu makale FICO kredi puanına dayalı bir durumu göstermektedir.
Bu çalışmayı daha erişilebilir kılmak için, bu sorudaki kavramları etkileşimli olarak keşfetmek için de görselleştirdik. (Görsel bağlantı: https://research.google.com/bigpicture/attacking-discrimination-in-ml/)
TensorFlow
Kasım 2015'te, TensorFlow'un ilk sürümünü açtık, böylece makine öğrenimi topluluğundaki diğer kişiler bundan faydalanabilir ve onu birlikte geliştirebiliriz. 2016'da TensorFlow, 570'den fazla kişinin 10.000'den fazla taahhütte bulunduğu GitHub'daki en popüler makine öğrenimi projesi oldu. TensorFlow'un model kitaplığı topluluğun katkılarıyla büyümüştür ve GitHub'da listelenen 5000'den fazla TensorFlow ile ilgili kitaplık vardır!
Ek olarak, TensorFlow, DeepMind dahil olmak üzere tanınmış araştırma grupları ve büyük şirketler tarafından geniş çapta benimsenmiştir ve Japonya'da deniz ayısı bulma ve salatalık ayırma gibi bazı alışılmadık uygulamalara uygulanabilir.
Birçok performans iyileştirmesi yaptık, dağıtılmış eğitim için destek ekledik, iOS, Raspberry Pi ve Windows'a TensorFlow'u tanıttık ve yaygın olarak kullanılan büyük veri altyapısıyla TensorFlow'u entegre ettik. Görselleştirme hesaplama grafiklerini ve gömme araçlarını geliştirerek TensorBoard ve TensorFlow'un görselleştirme sistemini genişlettik.
Ayrıca TensorFlow'u Go, Rust ve Haskell ile uyumlu hale getirdik, en gelişmiş görüntü sınıflandırma modelleri olan Wide ve Deep'i yayınladık ve Github, StackOverflow ve TensorFlow e-postalarında binlerce soruyu yanıtladık. TensorFlow Hizmeti, bir üretim ortamında TensorFlow modelleri sağlama sürecini basitleştirir. Bulutta çalışan kullanıcılar için Google Cloud Makine Öğrenimi, yönetilen bir hizmet olarak TensorFlow sağlar.
Geçtiğimiz Kasım ayında, TensorFlow'un açık kaynağının yıldönümünü kutladık ve OSDI olan büyük bir bilgisayar sistemi araştırma konferansında TensorFlow'un bilgisayar sistemi hakkında bir makale yayınladık. Google derleyici ekibindeki meslektaşlarımızla birlikte, TensorFlow'un arka uç derleyicisi XLA'yı oluşturmak için de çok çalışıyoruz. Alfa sürümü yakın zamanda açık kaynaklıydı.
[Genişletilmiş okuma] TensorFlow pratik becerileri: model envanteri, kullanım ve kod örnekleri
Bu makale TensorFlow'daki tüm mevcut soyut modelleri tanıtacak, her modelin kullanımını ve basit kod örneklerini açıklayacaktır. Ayrıntılı bir örnek için lütfen burayı ziyaret edin: https://github.com/c0cky/TensorFlow-in-a-Nutshell
Bir makine öğrenimi topluluğu oluşturun ve sürdürün
Ayrıca makine öğrenimi eğitimini teşvik etmeye kararlıyız. Geçen Ocak ayında, Brain ekibinin araştırma direktörlerinden biri olan Vincent Vanhoucke, ücretsiz çevrimiçi derin öğrenme kursları geliştirmek ve sağlamak için Udacity ile işbirliği yaptı. İnsanların sinir ağının görevleri tamamlamayı nasıl öğrendiğini daha iyi görselleştirmelerine yardımcı olmak için ilginç bir etkileşimli sistem olan TensorFlow Playground'u da entegre ettik.
Haziran 2016'da, 27 Google Brain Sakini (Sakin) 'nin ilk grubunu karşıladık, bunlar 2200 başvuranın en iyileri. 7 ayda, çok sayıda orijinal araştırma yaptılar ve 21 araştırma makalesinin yazılmasına katıldılar.
Ayrıca bu yıl 46 stajyer (ağırlıklı olarak doktora öğrencileri) ekip üyelerimizle ortak araştırma yapmaları için kabul ettik.
Google'da makine öğrenimini teşvik edin
Yukarıda listelenen ve halka duyurulmuş faaliyetlere ek olarak, şirketin bir bütün olarak en yeni makine öğrenimi araştırma sonuçlarından tam olarak yararlanabilmesini sağlamak için Google'daki birçok ürün ekibi arasında makine öğrenimi uzmanlığını ve anlayışını teşvik etmeye devam ediyoruz. Örneğin, Google I / O'da duyurulan özel bir makine öğrenimi hızlandırıcı ASIC olan Google'ın tensör işleme birimi (TPU) için spesifikasyonlar ve gelişmiş hedefler sağlamak için platform ekibimizle yakın bir şekilde çalışıyoruz. Bu özel yonga, makine öğreniminin iş yükünde katlanarak bir artış sağlar ve ürünlerimizde yaygın olarak kullanılmaktadır; bunlar arasında, yakın zamanda piyasaya sürülen nöral çeviri sistemi RankBrain ve geçen Mart ayında Go oyununda Li Shishi'yi yenen AlphaGo da yer almaktadır.
Özetle, 2016, Google Brain ekibi ve Google'ın içindeki ve dışındaki birçok ortak çalışan ve meslektaş için heyecan verici bir yıl oldu. 2017'de makine öğrenimi araştırmamızın daha büyük bir etkisi olmasını bekliyoruz.
[27 makalenin tamamını indirmek için Xinzhiyuan'ın sahne arkasında "Google Brain 2016" yanıtını verin]
https://research.googleblog.com/2017/01/the-google-brain-team- looking-back-on.html?m=1
Xinzhiyuan İşe Alım
Operasyon Direktörü
Yıllık maaş pozisyonu: 360.000-500.000 (maaş + ikramiye)
İş yeri: Pekin-Haidian Bölgesi
Departman: Operasyon Departmanı
Raporlama nesnesi: COO
Astların sayısı: 2
Yaş gereksinimi: 25 ila 35 yaş arası
Cinsiyet gereksinimleri: sınırsız
Çalışma yılları: 3 yıldan fazla
Dil: İngilizce seviye 6 (denizaşırı geçmiş tercih edilir)
iş tanımı
Büyük ölçekli fuar sponsorlarından ve katılımcılardan, potansiyel müşterilere, vb. Genişleme, dokunma, yapay zeka ve robotik endüstri yönü sorumlusu
Pazarları açmada ve potansiyel müşterilerle iyi kişiler arası ilişkiler kurmada iyidir
Yapay zeka ve robotik endüstrisi ile ilgili piyasa koşullarının derinlemesine anlaşılması ve pazar trendlerini yakından takip edin
Departmanlar arasında proje işbirliğini aktif olarak koordine edin, departmanlar arası işbirliği organize edin ve iyi bir etkiye sahip olun
Ekibe satış hedefini tamamlamak ve proje durumunu izlemek ve yönetmek için liderlik edin
Şirketin platform operasyonları için stratejik planların ve işbirliği planlarının formülasyonundan ve uygulanmasından sorumlu
iş gereksinimleri
Lisans derecesi veya üstü, yüksek lisans derecesi tercih edilir, yüksek İngilizce iletişim becerileri gereklidir
3 yıldan fazla iş geliştirme deneyimi, ekip yönetimi deneyimi, işletme departmanının genel yönetimine aşina
Geleneksel halkla ilişkiler, geleneksel entegre iletişim genel planları ve stratejik genel planlar hakkında derinlemesine bilgiler
Keskin pazar bilgisi ve doğru müşteri analizi yetenekleri, güçlü ekip yönetimi yetenekleri ile
Mükemmel zaman yönetimi, stres direnci ve çoklu görev planlama ve yürütme yeteneklerine sahip olun
TMT alanında geniş ağ kaynakları, Parti A'nın pazarlama departmanında çalışma deneyimi tercih edilir
Medya reklamcılığı departmanı, pazarlama departmanı, ilk20 halkla ilişkiler şirketi pazar geliştirme departmanı tercih edilir
Xinzhiyuan, yüksek ideallere sahip kişilerin görüşmeye gelmesini memnuniyetle karşılıyor. Daha fazla işe alım pozisyonu için lütfen Xinzhiyuan'ın resmi hesabını ziyaret edin
