Derin öğrenmeye dayalı bir girişimcilik, geleneksel tarzda konuşma hakkı için rekabet etti
Sandbox Studio, Chicago, Ana Kova ile Çizim
Düşünülemez karmaşıklık. Zihin vakum bölgesi ile veri kümesi arasındaki ışık. Şehrin ışıkları gibi soluyor.
--William Gibson, Neuromancer
Belki de Huang Dinglong'un kendisi bile baş harflerinin (DingLong) kısaltmasının Derin Öğrenmenin kısaltması olduğunu fark etmemişti.
O ve Amerikalı Matt Scott, derin öğrenmeye odaklanan bir teknoloji şirketi kurdu. İki kurucu, biri Şenzen'de doğdu ve 30 yıldan daha uzun bir süre önce ilkbahar reform esintisiyle patladı. Doktora için Tsinghua Üniversitesi'ne kaydolduğunda yurtdışında hiç eğitim görmedi. Diğeri New York Big Apple City'den. 1990'larda bir Yahudi idi. Çin'e geldi ve bu topraklarla insanlar arasında çözülmez bir bağ kurdu.
Pasifik'in diğer tarafında, Çin'de, Amerika Birleşik Devletleri'nde farklılık ve çeşitlilik dalgası yavaş yavaş gerilediğinde, farklı kültürel geçmişlere ve yaşam deneyimlerine sahip iki kişi bir araya gelerek girişimci ortaklar oluşturur. İkisi arasında ince ve ilginç bir ilişki yayılır. İnsanlar arasında.
On yıldan fazla bir süredir Çin'de bulunmasına rağmen, Matt'in Çince'si hala iyi değil ve Huang Dinglong'un röportajda tercüman olarak hareket etmesi gerekiyor. Ancak, muhtemelen Çinli meslektaşlarının kulakları ve gözleri yüzünden Mart, doğal olarak C ++ "C artı artı" demeye alıştı. Huang Dinglong yavaş yavaş başkalarını şirkete tanıtırken, Amerikalılar genellikle şevkle oynuyorlar. Ve şiddetli bir vaiz olarak, diğerlerine Çin'e ve Çin halkına olan sevgisini bir gurur tonu ve New Yorkluların övünme özelliğiyle anlattı.
Yaklaşık son iki yılda, iki girişimci her zaman derin ama şiddetli bir girdap içindeydiler, sadece onlar değil, aynı zamanda İngilizce ve Japonca da iki dilli, işteki hatalardan dolayı ağlayan küçük bir kız. , Girişimcilik hayatlarında hepsi inişli çıkışlı.
Ve bu sadece bu şirket değil. Son iki yılda veya daha uzun bir süredir, teknik alan ve yapay zeka ve derin öğrenme gibi tüm iş dünyası şiddetli bir şekilde metabolizmadan geçiyor ve daha büyük gerçeklik Dünya daha da öyle.
Dünya sürekli değişiyor Bu değişen dünyada, başlangıçta farklı olan insanlara ne gibi değişiklikler oluyor ve kendi yetenekleri dahilinde dünyayı nasıl değiştiriyorlar?
Babil Kulesi
İki bin yıl kadar erken bir zamanda, Yunan Aristoteles kendini bilmenin bilgeliğin başlangıcı olduğunu söyledi. Ancak Turing (Alan Turing), bilgisayar ve yapay zeka konusundaki büyük fikirlerini ortaya koyduğundan beri, makinelerin ortaya çıkışından bu yana insanlar artık sadece kendilerini tanımakla yetinmiyor, Babel'den bir post-modern teknoloji kulesi inşa etmeye çalıştılar. Artık makine ile bir boşluk yok, 0 ve 1'de bulunan makine ve kaotik dünya hakkında daha fazla şey öğrenmek istiyorlar.
Yapay zekanın ilerlemesini ve gelişimini ve ardından makine öğrenimi derin öğrenimini sürekli olarak destekleyen bu tür bir hırs ve meraktır.
1943'te Warren McCulloch ve Walter Pitts, eşik mantık algoritmasına dayalı sinir ağlarına uygulanabilecek bir hesaplama modeli önerdi. Sekiz yıl sonra, sonraki nesillerin "Yapay Zekanın Babası" olarak bilinen Marvin Minsky, tarihteki ilk sinir ağı öğrenme makinesi SNARC'yi 24 yaşındayken topladı.
Rosenblatt gençliğinde Kaynak: halklar
Basit toplama ve çıkarma işlemlerine sahip iki katmanlı bir bilgisayar sinir ağına dayanan Frank Rosenblatt, 1957'de model tanıma yapabilen bir "Perceptron" (Perceptron) yarattı. Ayrıca eklemeyi önerdi. Matematiksel sembollerin sinir ağı katmanı ve bu fikir tam olarak 20 yıl sonrasına kadar gerçekleşmedi.Aynı zamanda Rosenblatt, Paul Werbos'a (Paul Werbos) kadar "perceptron" da kullanılan XOR mantık devre sistemini tanımladı. ) Yaklaşık 20 yıl sonra "Backpropagation" (Backpropagation) önerildiğinde sinir ağlarına uygulandı.
Ancak Minsky ve Seymour Papert (Seymour Papert) 1969'da yayımladıkları kitaplarında sinir ağlarının hesap makinesi makinelerinde uygulanmasının önünde iki büyük engel öne sürmüşler, algılayıcıların mantık devrelerini idare edemeyeceklerini veya etkileşime giremeyeceklerini belirlediler. Ayrıca, bilgisayarların büyük ölçekli sinir ağlarının uzun vadeli işleyişini karşılayacak kadar bilgi işlem gücüne sahip olmadığına da inanıyorlar. İki yetkili kişinin görüşleri, yapay zeka araştırmalarının ivmesini ve yönünü beklenmedik bir şekilde kesintiye uğrattı. Rosenblattın dahi fikri endüstri tarafından terk edildi ve yapay zekanın gelişimi 1970'ler boyunca neredeyse bir kaos durumuna düştü.
1971'de 43. doğum gününde Rosenblatt bir teknede meydana gelen bir kaza sonucu zamansız vefat etti.Bu yıl bazı bilim adamları eğitim için GMDH (Grup Veri İşleme Yöntemi) algoritmasının kullanılmasını önerdiler. 8 katmanlı derin bir ağ oluşturdu. 1979'a kadar, Stanford Üniversitesi ekibi nihayet odayı dolaşıp kendi başına engellerden kaçınabilen bir "Stanford Arabası" yarattı. Bir yıl sonra Fukushima Kunihiko, El yazısını tanıyan çok katmanlı sinir ağı "Neocognitron" (Neocognitron), daha sonra evrişimli sinir ağlarının doğuşuna ilham verdi.
1989'da, Fransa'daki Yann LeCun ekibi, e-postalardaki elle yazılmış posta kodlarını tanımak için geri yayılım algoritmasını derin bir sinir ağına başarıyla uyguladı, ancak eksiklikler de çok önemliydi ve derin ağı eğitmek için algoritmalar kullandılar. 3 gün sürdü ve derin sinir ağının şu anda pratikliği olmadığı açık.
Üç yıl sonra, Weng Juyang, 3B nesneleri 2B ve 3B karma bir sahneden başarıyla tanıyan "Cresceptron" (Cresceptron) 'u önerdi ve Japon bilim adamlarının nörobilişsel makinesi, programcıların tanımayı manuel olarak birleştirmesini istedi. Bazı özellikler arasındaki fark, büyüme bilişsel ağının, sinir ağının her katmanındaki denetimsiz özellikleri otomatik olarak öğrenebilmesi ve ikincisinin, sinir ağındaki öğrenilen öğeleri arka plan analizi yoluyla sınıflandırabilmesidir.
Jürgen Schmidhuber (Jürgen Schmidhuber) 1993 yılında "tekrarlayan sinir ağları" (RNN'ler) aracılığıyla binlerce sinir ağı katmanıyla "çok derin öğrenmeyi" çözmek için sinir tarihi sıkıştırıcıyı kullandı. "Görev.
İki yıl sonra, bilim adamları, tüm eğitim süreci 2 gün sürmesine rağmen, algoritmanın yakından bağlantılı 6 katmanlı bir sinir ağını başarıyla eğitebileceğini kanıtladı. Yan Lecunun tahminine göre, bu yüzyılın başında, tekrarlayan sinir ağları Amerika Birleşik Devletlerindeki el yazısı kontrollerin% 10 ila% 20'sini tanıdı ve işledi.
Bununla birlikte, Yapay Sinir Ağlarındaki aşırı uzun hesaplama süresi nedeniyle ve o zaman bilim adamları, biyolojik ağlar aracılığıyla özerk olarak bağlanan insan beyninin çalışma mekanizması konusunda net değillerdi, bu nedenle 1990'larda ve milenyumun başlarında sinir ağları Pratikte ağ ve derin öğrenme büyük ölçekte gerçekleştirilmemiştir.
2014 yılında Google'da çalışan Hinton Fotoğraf: Josh Valcarcel / WIRED Kaynak: WIRED
Aslında, 1980'lerin ortalarında derin öğrenmeyle ilgili teoriler makine öğrenimi alanında yayılmaya başladı ve yeni milenyumda ilki yapay zeka sinir ağları alanına da yayılmaya başladı, ancak 2006 yılına kadar Jeffrey Sheen Geoffrey Hinton ve Ruslan Salakhutdinov'un araştırma sonuçları herkesin dikkatini ve coşkusunu uyandırdı.
Çok katmanlı bir "ileri beslemeli sinir ağının" bir seferde bir sinir ağı katmanını önceden eğitebileceğini ve her birini denetimsiz sınırlı bir Boltzmann makinesi (kısıtlı Boltzmann makinesi) gibi eğitebileceğini belirttiler. Katman oluşturun ve uygulamasını, bu temelde denetim altında geri yayılma algoritmasına ayarlayın. Bu, derin öğrenmenin hızını artırmayı mümkün kılar.
Deneysel teoriden uygulama alanlarına kadar daha fazla derin öğrenmeye yatırım yapılmıştır.
Derin öğrenme, konuşma tanıma alanında benzeri görülmemiş avantajlar göstermiştir.
2009 yılında Deng Li, Hinton'u Redmond'daki Microsoft Araştırma Enstitüsü'ne konuşma tanımada derin öğrenmenin uygulanması üzerine araştırma yapmak üzere davet etti.İkisi, o yıl bu alanda NIPS üzerine ortaklaşa bir seminer düzenledi ve bu sefer ağırlıklı olarak konuşma derin nesil modelini tartıştılar. (Derin üretken model) sınırlamaları ve derin sinir ağlarına (DNN) dayalı büyük veri alanı olasılığı.
İki bilim insanının araştırması nihayet şaşırtıcı sonuçlar verdi: Eğitim verilerinin, özellikle de metin çıktı katmanlarına dayalı çok sayıda derin sinir ağının eğitim yoluyla, hata oranının GMM-HMM ve diğer gelişmiş üretken modellerle karşılaştırıldığını buldular. Deng Li ve Xindun'un konuşma tanıma sistemi önemli bir düşüş gösterdi ve diğer bazı önemli konuşma tanıma araştırma ekipleri de Deng Li ve Xinton'un sonuçlarını doğruladı.
Derin öğrenme, tüm konuşma tanıma alanını şok etti.Ayrıca bu yıl, Stanford Üniversitesi'nden Profesör Li Feifei, 2007'de oluşturduğu ImageNet veritabanını açtı.
2012'de hâlâ Google'da olan Wu Enda Credit Jim Wilson / The New York Times Kaynak: The New York Times
Geçmişte, görüntü işleme ve tanımayı eğitmek için kullanılan veritabanı, esas olarak 60.000 eğitim görüntüsü ve 10.000 test görüntüsünü kapsayan MNIST idi. Şimdiye kadar, araştırma ekibinin MNIST üzerinde elde ettiği en iyi sonuç% 0,23 hatadır. 2012 yılında, Dan Ciresan'ın CVPR ekibi tarafından sunulan makale, herkese görsel kıyaslama kaydını iyileştirmede GPU'da maksimum havuz oluşturma evrişimli sinir ağının inanılmaz performansını gösterdi. .
O yıl, Andrew Ng ve Jeff Dean liderliğindeki Google Brain, bir sinir ağı oluşturmak için 16.000'den fazla bilgisayar işlemcisi kullandı. Ayırt etmek için 10 milyon YouTube videosundan bir çerçeve çıkardılar Sinir ağını kedileri tanıması için eğitmek için 200 X 200 oranında bir küçük resim kullanılır.
Derin öğrenme, ImageNet yarışmasını ilk kez kazandı
Bu yıl Hinton ekibinde yer alan iki genç, o yıl ImageNet yarışmasını büyük bir avantajla kazandı ve bu yarışmaya ilk kez derin öğrenmenin katıldığı, daha sonra Chery iş ekibi de tıbbi resimlerin kanser keşfine katıldı. ICPR'yi kazandıktan sonra, derin öğrenmede somutlaşan muazzam güç tüm dünyayı şok etti.
2013 yılına kadar ImageNet yarışmasında en iyi 20, istisnasız hepsi derin öğrenme teknolojisini benimsedi. Birinci sıradaki New York Üniversitesi hata oranını 0.11197'ye düşürdü. Nesne tanıma projesinde, Amsterdam Üniversitesi (Amsterdam Üniversitesi) Euvision Teknolojileri ile oluşturulan ekibin Ortalama Ortalama Hassasiyeti sadece 0.22581'dir. Ertesi yıl Google, sırasıyla 0,06656 ve 0,43933 hata oranları ve ortalamalar ile her iki kategoride de birinci oldu.
Son olarak, derin öğrenme teorik fildişi kuleden gerçek dünyaya taşındı.
1960'taki Alfred Korzybski Anma Konferansı'nda McCulloch, bilginin fizyolojisini taban düzeyinde keşfetmenin amacının "bildiklerimizi nasıl biliyoruz" u keşfetmek olduğuna dikkat çekti. Sorunla ilgili tatmin edici bir açıklama yapın.
Yarım asırdan fazla bir süre sonra, insanüstü cesaret ve deha ile bilim adamları bu soruyu daha derin ve daha devrimci bir şekilde sordular: Makinelere bildiklerini nasıl bildirebiliriz.
Diğer insanlar için onların hırsı ve merakı, makinelere ne bildiklerini ve bu yeni dünyada bu işi nasıl bulacaklarını bildirdikten sonra "Sezar Sezar'a aittir" ne nasıl izin vereceklerinde yatıyor. Vaat edilen topraklar.
Tehlikeli düşünceler
2009 yılında, derin öğrenme tarih aşamasına girmek üzereyken, arama pazarında Google ile rekabet edebilmek için Microsoft, Çince " " adıyla Bing aramasını başlattı.
Ancak gerçek iyimser değil. Şu anda Google yerel arama payının% 60'ından fazlasını işgal etti ve Çin pazarında Baidu arama bölgesinin 3 / 4'ünden fazlasını işgal etti ve Google yalnızca% 20'den daha azını kapabilir. Market.
Arama pazarı neredeyse pekişirken, Bing'in nasıl öne çıkabileceği, o zamanlar Microsoft Çin ekibi için en büyük test ve sorun haline geldi. Şu anda, Matt ve Huang Dinglong'un ikisi de Microsoft Araştırma Asya'daydı, ancak ilki araştırma departmanına aitti, ikincisi MSN'de ürün yapıyordu.Araştırma enstitüsünün yapısında, aralarında bir mühendislik departmanı vardı.
Matt, Amerikalı meslektaşlarına ve davranışlarına adapte değil, iş hedefleri için gece gündüz çalışacak kadar gayretli bir insan.Ancak Matt'i biraz pişman kılan şey, meslektaşlarının tam anlamıyla meşgul olmaması.
Huang Dinglong için, benzer sorunlar onu da rahatsız etti.Pekin'deki Asya Araştırma Enstitüsü şu anda 11 yıldan fazla bir süredir kurulmuş olsa da, o sırada Microsoft'un Bing için daha fazla beklentisi ve hedefi Google'a yerel olarak saldırmaktı. Pek çok kişi, kontrol edilemeyen birçok faktörden etkilenen ve tükenmiş olan Çin'in arama pazarındaki büyümesini ve performansını umursamıyor.
İkisi de durumu değiştirmek için bir şeyler yapmak istedi. Bununla birlikte, büyük şirketlerin dezavantajları, genellikle bir şeyler yapmak isteyen insanların "bir şeyler yapmak" için işleri kendi başlarına yapmaktan daha azını yapmadıklarını fark etmeleridir.
"Büyük şirketlerde, özellikle orta katmanlarda çok fazla direnç var. Kesinlikle çok rahatsız olacak. Bunu yapmak için beni geçtiniz ve marka ürün teknolojisi pazar satışlarında birçok sorun var." Huang Dinglong artık buna alıştı. .
O sırada Matt, makine öğreniminde dönüştürülebilecek ve uygulanabilecek bazı başarılar elde etmişti. Ancak, araştırma enstitüsünün diğer departmanları vasat bir şekilde yanıt verdi. Sadece Huang Dinglong ilgilendiğini belirtti. Daha fazla tartışmadan sonra, ikisi bunu vurdu.
Matein makine öğrenimi araştırma sonuçları, İngilizce metni sesli okuma sesine dönüştürebilir ve Huang Dinglong, pazar potansiyelini ve iş potansiyelini görür. O zamanlar, Microsoft'un iç pazarda mücadele etmesi gereken tek kişi MSN idi.Bu IM ürününün ana kullanıcıları şehirlerdeki beyaz yakalı kullanıcılardı. Huang Dinglong'un görüşüne göre, bu kullanıcıların İngilizce öğrenme ve çeviri için güçlü bir talebi vardı.
Teknoloji ve kullanıcı ihtiyaçlarının birleşimi ticari olasılıklar anlamına gelir. İkisi, bir ekip oluşturmak üzere ilgili departmanlarından kişileri hızla işe aldı ve sonunda bir çevrimiçi sözlük İngilizce kitaplığı (Engkoo) geliştirdi. Beklendiği gibi, Yingkoo lansmanından sonra büyük bir başarı elde etti. O zamanlar, bu dahili yenilikçi ürün Bingin% 60'ından fazlasına katkıda bulundu. Trafik, aylık kullanıcılar 4 milyona kadar çıkıyor ve büyük trafik, hedef kullanıcılar için İngilizce öğrenme reklamları getirdi ve sonunda başarılı bir şekilde ticari gerçekleştirmeyi gerçekleştirdi.
Huang Dinglong, Mate'in işteki bağlılığını ve dehasını seviyor, Mate, Huang Dinglong ile işbirliğinde dikkatini dağıtmamayı seviyor, işbirlikleri başarılı bir başlangıç yaptı. Bununla birlikte, bu aynı zamanda ortaklıklarının başlangıcı ve sonu haline geldi: kişi ayrılmayı seçer, kalmayı seçer.
Kısa bir süre sonra Çin, Weibo işinin sorumluluğunu üstlenmek için Tencent'e gitmeyi seçti. Şu anda kimse Sina Weibo'nun ilk hamle avantajının o kadar güçlü olacağını ve tüm rakiplerinin sonunda teslim olacağını bilmiyordu. Ancak Matt araştırma enstitüsünde kalmaya devam etti ve art arda Bing sözlüğünü ve İngilizce kitaplık giriş yöntemini başlattı. Elbette Amerikalılar, Google'ın yenilgisinden sonra bile Microsoft'un bu pazarda kendi pazarını işgal edemeyeceğini tahmin edemezlerdi. Ayak her zaman ılıktır.
2014 yılına kadar işler değişmedi. Bu yıl, Huang Dinglong ve Matt'i derinden etkileyen iki olay oldu.
Her şeyden önce, derin öğrenme dış dünyanın spot ışığında parlıyor ve değeri ve önemi giderek daha fazla insanın dikkatini çekiyor.
İkincisi, Matt Çinli kız arkadaşıyla evlendi. Düğünden sonra, düğünün yapıldığı restoranda iki eski arkadaş, derin öğrenmenin getireceği değişiklikleri ve uygulama senaryolarını heyecanla tartışırken mangal yudumlarken işaret parmaklarını salladılar. Spesifik ve incelikli bir resim olan ikili, teknolojik ilerlemenin önceki fikirlerinden bazılarını gerçekleştirmek için bazı fırsatlar verdiğini fark etti.
O gece, en keyifli an hakkında konuşurken, ikisinin gönlünde "girişim" fikri parladı ve bir endişe tohumu gibi kök saldı.
Şu anda, ikisi de kariyerlerinde istikrarlı bir yükseliş içindedirler Huang Dinglong TripAdvisor China'nın başkan yardımcısıdır ve Matt ayrıca Microsoft'un HiPo eğitim programının bir üyesi olmuştur. Yingku projesini sıkı çalışma ve girişimcilik düzeyinde neredeyse hiçbir fark olmadan tamamladıktan ve her zaman desteklemek için eksiksiz kaynaklara sahip büyük bir şirketi deneyimledikten sonra, karşılaştıkları en büyük sorun şudur: Şu anda sadece kaba bir taslak çizebilmeleri uğruna, önlerindeki her şeyden vazgeçmeye değer mi?
Nesne ve zaman farkı ile Huang Dinglong'un bu soruya cevabı da farklıdır.
"O gece çok heyecanlandım. Gece geri döndüğümde gerçekten uyuyamadığımı hissettim. O zamanlar birlikte çalıştığım projeyi düşünürdüm. Kariyerimizde çok mutlu ve doyurucu bir zamandı. Biz Bir kıvılcım çarpışması varmış gibi geliyor. Yapmazsan, yapmalısın. "İki yıldır iş dünyasında olan Huang Dinglong bunu anlattı.
Huang Dinglong her zaman mantıklı, hatta bazen sakin ve etrafındaki insanların kendilerini inanılmaz hissettiği noktaya kadar alçak gönüllü bir kişi olmuştur. Şirketteki meslektaşlarını selamladı ve özel işleri halletmek için Shenzhen'e tek başına döneceğini söyledi ve döndükten sonra herkese Shenzhen CPPCC'nin bir üyesi olarak kimliğini gösterdi. İki yıl önce aynıydı. O kadar heyecanlı değildi ki hemen girişimcilik dalgasına daldı O geceden sonra, Huang Dinglong ve Matt birkaç ay boş zamanlarını araştırma yaparak ve tekrar tekrar hayali girişimciliği tartışarak ve önizleyerek geçirdiler.
Akılcılık ve duyarlılık, sakinlik ve dürtüsellik, başarısızlık ve başarı arasındaki sınırlar nelerdir?
Özbilinç planı iyice değerlendirdiğinde, rasyonel profesyoneller büyük şirket sisteminden kopan özgür girişimcilere dönüşürler. Başarısızlığın sonuçlarını düşündüklerinde, ancak yine de korkusuzdurlar, insanlar ne kadar sakin olursa olsun, dürtüsel olmaya yardımcı olamazlar. İçsel çağrının peşinden koşarken, artık başarısızlıktan korkmadıklarında, insanlar ne kadar sakin ve rasyonel olurlarsa olsunlar, başarıya ulaşmak için eşi benzeri görülmemiş bir güven ve cesarete sahip olacaklardır.
Girişimciliğin tohumu birkaç ay içinde filizlendi ve büyüdü. Sonunda, kalplerini çalkalayan geceden birkaç ay sonra, Huang Dinglong ve Matt sonunda bir iş kurmak istediklerine karar verdiler.
Huang Dinglong'un bir iş kurup kurmama sorusuna verdiği yanıtın başka bir versiyonu var.
18 ay önce Tsinghua'daki genç nesillerine "başarı veya başarısızlık belirsiz. Girişimcilik bir ölüm kalım meselesidir" dedi. Genç öğrencilere o sırada nasıl hissettiklerini anlattı: "Eğer mantıklıysanız, bir iş kurmayı seçeceğimi sanmıyorum. Eğer safsanız. Mantıklı bir şekilde analiz edin, nasıl seçerseniz seçin bir iş kurmayacaksınız. "
Huang Dinglong, doktora öğrencisi iken bir iş kurmayı seçerse, ebeveynlerinin bacaklarını kırabileceğini söyledi.
Şimdi, o ve Matt bir iş kurmayı seçtiklerinde, kendilerini aktif olarak belirsizlikler ve risklerle dolu bir duruma sokuyorlar.Daha önce hiç duymadıkları bir karışıklık olacak, başarısız olabilirler ve başarısızlık olasılığı yüksek ve hayat artık kolay olmayacak. Huzurlu ama belirsizleşecek.
Ne zaman olursa olsun, bir iş kurmak tehlikelidir.
Ancak tarihteki en ölümsüz kaybeden Wilde, bir fikir yeterince tehlikeli değilse, hangi niteliklerin bir fikir olarak değerlendirilebileceğini söyledi.
Yeni Dünya
İşlerine başladıklarında, Huang Dinglong ve Mate finansman bile almadılar. Her biri iki isimden birini aldı ve şirketin adı Malong'du.
"O zamanlar, arama motorları için bir sonraki adımı düşünmeye devam ettim. Arama hala metin üzerindeyse, o zaman bu savaş temelde bitmiştir, ancak bir sonraki daha büyük fırsat, çok büyük olan görüntüdür. Hazine evi küçük bir boşluk açtı. Huang Dinglong, Microsoft'ta olduğu gibi, bir sonraki arama fırsatını tahmin etmeye başladı.
Girişimci araştırmalarının birkaç ayında, o zamanlar zaten olgunlaşmış olan görüntü tanıma için derin öğrenme teknolojisini kullanmaya karar verdiler, ancak resimlerle görüntüleri tanıma işlevi kullanıcıları ve pazarı çekmek için yeterli değildi.
Orijinal iş planında, Malongun ürün kumo adını verdiler. Japoncada kelimenin iki anlamı vardır: "bulut" ve "örümcek". Kumo, bulut hizmetlerine güveniyor. Aynı zamanda Huang Dinglong, umuyor Bu ürün, bir örümcek gibi olabildiğince çok fotoğrafı tarayabilir. Sonunda, Malong için tasarladıkları ürün iş modeli, kullanıcıların görsel arama tanıma yoluyla karar vermelerine yardımcı olmaktı.
Kumo önce bir motordur ve bir motorun değeri, anahtar kelimeleri içerikle ilişkilendirmede yatar Kumo'nun ana odağı resimlerdir.Bu değeri başkalarına nasıl kanıtlayabilirim? Huang Dinglong, basit hesaplamalar yapmak için Google örneğini kullandı. Google'ın gelirini o sırada yapılan arama sayısıyla karşılaştırdı ve Google'daki her aramanın 7 sent değerinde olduğunu gördü. Yatırımcılara iş planında görsel aramanın talep ve değerinin sıradan metin aramadan daha büyük olacağını belirtti.
O sırada, görsel arama için yaklaşık 55 milyar ABD doları tutarında ihtiyatlı bir tahmin yaptı ve önümüzdeki birkaç yıl içinde 100 milyar ABD doları değerinde bir pazara dönüşeceğini tahmin etti.
Google, 2014 yılında yapay zeka girişimi Deepmind'ı 400 milyon pound'a satın aldı.Ertesi yıl Facebook, 120 milyondan fazla parametre içeren kullanıcı fotoğraflarını otomatik olarak etiketlemek ve tanımak için derin öğrenme teknolojisi DeepFace'i önerdi. Tanıma doğruluk oranı, Facebook tarafından kullanılan önceki sistemden% 27 daha yüksek olan% 97.35'e kadar çıkmaktadır.
Ancak, bu gerçekler ve Huang Dinglong'un kendi tahminleri, başkalarının kendilerini kanıtlayamadıkları sürece Malong'un başarısına inanma olasılığını artırmak için yeterli değildir.
Malong, kuruluşundan kısa bir süre sonra ödülü kazandı
Malong Temmuz'da kaydoldu. Şu anda, Bilim ve Teknoloji Bakanlığı'nın ev sahipliğinde düzenlenen 3. Çin İnovasyon ve Girişimcilik Yarışması için son kayıt tarihine yalnızca bir haftadan az kaldı. Huang Dinglong, Ma Te ve başka bir eski Microsoft tasarımcısından oluşan küçük bir ekip Kendinizi yarı yarıya, diğer yarısını da başkalarına kanıtlama zihniyetiyle, son tarihte yarışmaya kaydolun.
Katılımcı ekipler kayıt olurken ve materyalleri teslim ederken fiziksel nesneler sunmak zorunda kalmadı, bu nedenle, bir işe başladıktan kısa bir süre sonra sadece bir konsepte sahip olan Huang Dinglong, "görsel karar motorunu" doldurmak için durumdan yararlandı. Çevrimiçi ön, bölgesel yarışmalardan, endüstri yarı finallerinden final ulusal finallerine kadar, her bir yarışma turu arasında yaklaşık 2 ila 3 hafta var ve bu da Huang Dinglong oldu ve jüri üyelerinin görüşlerini almak için yarışmanın son turunu kazandı. Bundan sonra, ürünlerini daha fazla revize etmek için fazla zaman kalmadı.
Yaklaşık 2 ay süren yarışma, halihazırda ürün oluşturan diğer yarışmacılardan farklı olarak, yarışmanın her turunda ürünleri sürekli olarak değiştirilerek optimize edildi ve sonunda yarışmanın milli takım grubunda ikinci oldular. Bir haftadan uzun bir süre sonra Shenzhen Girişimcilik ve İnovasyon Yarışması'nı kazandılar. İki aydan kısa bir süre sonra Malong, 2015'te Microsoft Risk Sermayesi Hızlandırıcısı seçildi.
Şu anda, derin öğrenme, Luoyang Paper'ın teknik bir kavramı ve uygulaması haline geldi.
Derin öğrenmenin ortaya çıkışı, yapay zeka ve makine öğreniminin gelişimini destekledi. Kaynak: Nvidia
Derin öğrenme, insanların "görsel kararlar" almasına nasıl yardımcı olur?
Son birkaç on yıldaki en popüler yapay zeka sinir ağıyla başlayalım. İnsan beyni anlayışımıza dayalı olarak yapay zekanın birleştirilmesiyle üretilen bir disiplinler arasıdır.Beyninde sinirler, belirli bir fiziksel mesafe içinde başka herhangi bir sinire bağlanabilir. Bununla birlikte, yapay zeka sinir ağlarının ayrı sinir katmanları, bağlantıları ve veri yayılma yönleriyle sınırlı olması üzücü.
Bir nesne, yapay zeka sinir ağının ilk katmanına girer ve ardından ikinci sinir katmanı kendi görevlerini işler ve ardından bir sonraki katmana girer, bu işlemi son katmana kadar tekrarlar ve sonunda çıktı sonucunu alır. Her sinir, görevinin yerine getirilmesiyle ilgili doğru ve yanlış koşulların bir ağırlığını alır ve nihai çıktı sonucu bu ağırlıklarla belirlenir. Ancak sorun, en temel sinir ağının bile inanılmaz hesaplama gereksinimlerine sahip olmasıdır.Aynı zamanda, pratik uygulamasını büyük ölçüde engelleyen örneğin özelliklerini manuel olarak çıkarması gerekir.
Derin öğrenme bu durumu temelden değiştirdi.
Birden fazla doğrusal veya doğrusal olmayan dönüşümden oluşan çok sayıda görev işleme nöral katmanından oluşur ve manuel özellik öğrenme ve çıkarmanın yerini almak için denetimsiz veya kendi kendini denetleyen özellik öğrenme algoritmalarını ve hiyerarşik özellik çıkarma algoritmalarını kullanır, böylece daha iyi ifade oluşturur ve Etiketsiz veriler temelinde daha iyi bir model oluşturmak için bu ifadeleri kullanın.
Kelime vektörü (dağıtılmış temsiller), gözlemlenen verilerin her nöral katmandaki faktörlerin etkileşimi nedeniyle üretildiğini varsayar ve derin öğrenme ayrıca bu nöral katmanların aktiviteleri ile farklı sayı ve boyutlara sahip farklı düzeylerdeki soyut kompozisyon arasında bir uygunluk olduğunu varsayar. Farklı soyutlamalar sağlamak için farklı sinir katmanları kullanılabilir.
Bu nedenle, derin öğrenme, daha yüksek seviyeli ve daha soyut kavramları öğrenmek için daha düşük bir seviyeden öğrenebilir.Alt katmanda, öğrenme özelliklerini katman katman önceden eğitmek için denetimsiz öğrenme kullanılır ve sonuç, üst katmana girdi olarak kullanılır. Açgözlü algoritma ile birlikte uyum için denetimli öğrenmeyi kullanan bu yöntem, derin öğrenmenin soyut kavramları öğrenmesini ve öğrenmeye yardımcı olan özellikleri seçmesini sağlar.
Başka bir deyişle, yapay zeka sinir ağları tarafından temsil edilen önceki sığ öğrenmeyle karşılaştırıldığında, derin öğrenme, verileri ve nesne özelliklerini özerk bir şekilde daha iyi öğrenebilir ve kendi öğrenme yeteneklerini geliştirmeye devam edebilir.Büyük verinin popülaritesi, derin öğrenmeyi eşi görülmemiş bir hale getirdi. Kullanıldığı yerde, veri miktarı ne kadar büyükse, doğruluğu da o kadar yüksek olur. MapReduce büyük ölçekli küme mimarisinin yükselişi, GPU'ların büyük ölçekli uygulaması ve tarihsel anda ortaya çıkan optimizasyon algoritmaları, derin öğrenme eğitim verileri için gereken süreyi büyük ölçüde azaltmıştır.
Derin öğrenme tüm endüstriyi kasıp kavurduğunda, farklı modeller ve algoritmalar her şirketin benzersiz silahı haline geldi. Huang Dinglong, Malong'un teknolojisine oldukça güveniyordu. Önce dahili olarak nicel bir değerlendirme sistemi kurdular ve yeni algoritma kullanıma girmeden önce şirkette test edip puan alacaklar.
Bundan önce Mater, kişisel tercihleri, arayüz tasarım tercihlerini ve diğer faktörleri hariç tutan bir sistem tasarlayacak, böylece herkes daha tarafsız bir şekilde puan alabilir, ancak bu yeterli değil. Daha inandırıcı ve belirleyici olan müşteri geri bildirimleridir. .
Şimdi, Malong kurumsal kullanıcıları hedefliyor, ancak işin başında durum böyle değildi, o zamanlar sıradan tüketicilere odaklandılar.
Teknik mantık
Kasım ayında Shenzhen'de sıcaklık hala 27 ° C'ye kadar yükseldi. Mart, ılık deniz meltemini soluyarak panjurları açtı ve açlığını gidermek için yeni aldığı McDonald's burgerlerini ve patates kızartmalarını yedi. Vazgeçmekten bahsetti ve Matt bana bazen iş yerinde daha fazla insanın fikirlerini söylemesine izin vermek için kendi fikirlerinden ısrar etmemek, hatta vazgeçmemek gerektiğini söyledi, ancak bu şekilde iyi bir çalışma atmosferini sürdürmek ve tüm grubu tanıtmak mümkün olabilir. büyümek.
Malong'un başlangıçta piyasaya sürdüğü ürünün adı StyleAI idi ve modayı, kullanıcıların giyinmesine yardımcı olmak için derin öğrenmeyi uygulamak için bir dönüm noktası olarak kullanmaya karar verdiler. Uygulama ve WeChat WeChat resmi hesabının piyasaya sürülmesine rağmen, kullanıcılar ve piyasa gözünde, bu her zaman "yapay zeka + moda" hilesi altında sadece bir oyuncak ve büyük şirketlerin bol kaynaklarına alışkın olan ve daha önce hiç birinci sınıf deneyime sahip olmayan Huang Dinglong ve Huang Dinglong Matt ayrıca yavaş yavaş hatırladı ve sonunda derin öğrenmenin 2C alanında büyük bir fark yaratmanın zor olduğunu anladılar.
En büyük engel, modanın kumaşlar, üretim, işleme ve tasarım dahil olmak üzere çok sayıda yukarı ve aşağı endüstriyel zincir içermesi ve küçük bir yenilikçi şirketin endüstriyel ekolojik zincirden tüketicilere kadar kapalı iş döngüsüyle başa çıkamamasıdır. Ne kaynakları ne de kaynakları var. Bu zinciri kendiniz oluşturmak için enerji ve sabra sahip olun. Tüketici tarafında çok zaman geçirdikten sonra, aniden aslında yukarı akış bağlantısına odaklanmaları gerektiğini fark ettiler.
"Bu yeni bir alan, bu da pek çok bilinmeyen sorunu çözmeniz gerektiği ve hatta bazılarının cevabının olmadığı anlamına geliyor, bu yüzden bu soruları kafanıza koyuyorsunuz. Yemek yerken ve banyo yaparken bunu düşünüyorsunuz, Tuvalete giderken düşünmek, uyurken düşünmek, gece gündüz düşünmek ve sonra aniden ortaya çıktı, bir fikir çıktı! Çözüldü! "Huang Dinglong, şirketin gidişatı hakkında çok düşündüğü zamanı hatırladığında hala heyecanlıydı.
Teknolojik yeniliklerin belirleyici bir rol oynadığı bu pazarda, derin öğrenme teknolojisinin en iyi rolü oynamasını istiyorsanız ve Malongun ticari başarısı olasılığını en üst düzeye çıkarmak istiyorsanız, Microsoft'tan iki kişi bir fikir ortaya attı: Daha fazla şirketin iletişim kurmasına ve kullanmasına izin vermek için şirketin teknolojisini açın.
Derin öğrenmenin, bu şirketlerin geçmişte karşılaştıkları ve şimdi optimizasyon sorunlarını çözmeleri gereken sorunları çözmelerine yardımcı olmasına izin verin ve karşılığında, moda endüstrisinin çeşitli zincirlerine derinden dahil olan bu kaynaklara sahip ve yetenekli katılımcıların derin öğrenme teknolojisini teşvik etmesine ve teşvik etmesine izin verin.
Böylece 2B pazarına döndüler ve ProductAI platformunu başlattılar. Bu ürüne girişleri, ürününüz için yapay zeka.
Youbaobao, tipik kullanıcılarıdır.
Bu kumaş ticaret platformu hem alıcılar hem de satıcılar içindir.Tipik bir uygulama senaryosu, alıcıların belirli bir kumaş parçasıyla ilgilenmeleri durumunda, Youzaobao'da benzer kumaşların satıcılarını aramak için harita arama işlevini kullanmalarıdır. Bu tür kullanıcı ihtiyaçları her zaman mevcuttu, ancak sorun şu ki, bu geleneksel şirketler için yapay zeka içeren bir görsel arama motoru veya hatta kendi platformlarında derin öğrenme teknolojisi oluşturmak, sonraki bakım ve güncellemeleri bırakın, iyi oldukları şey değil. Ve genişlemenin maliyeti.
Öte yandan, ilgili endüstri zincirindeki bu şirketler daha önce büyük miktarda resim ve kullanıcı davranışı verisi biriktirdiler, ancak bu veriler için etiketleme ve hatta veri madenciliği bu şirketler için neredeyse hiç duyulmamış bir şey, bu nedenle bu veriler neredeyse Herhangi bir rol oynamadı.
ProductAI önce tüm ağdaki çeşitli resimleri yakalar ve ardından etiketlenmemiş parçaları markalama için ülke geneline dağılmış yüzlerce kişiden oluşan bir ekibe aktarır, böylece bir veritabanı ve öğrenme modeli oluşturur.
Her kurumsal müşterinin kendi farklı kullanıcı grupları ve ihtiyaçları vardır.Bu kişiselleştirilmiş farklılıkların öncülüğünde, veri modeli eğitilir ve son olarak algoritma, görüntü ve görüntü aramayı gerçekleştirmek için API şeklinde müşterinin kendi oluşturduğu platforma bağlanır. Görüntü tanımlama ve diğer işlevler. ProductAI'nin kendisi ücretsizdir ve ana geliri API'lere yapılan müşteri çağrılarından gelir.
Huang Dinglong'un teknoloji görüşü ve bunun sonucunda ortaya çıkan iş görüşü çok radikal görünüyor: Akıllı telefonlar ve uygulamalar dalgasının yavaş yavaş azaldığına inanıyor. Bu, sadece 2C uygulamaları geliştirmekten vazgeçmesinin nedeninin bir parçası değil, aynı zamanda Çin'de HoloLens satın alan beşinci tüketici olmasının nedenidir.Ar / VR ve giyilebilir cihazların yakın gelecekte yeni bir dalga başlatacağına inanıyor.
Ancak, gerçek paradoks, Huang Dinglong ve Matt Venture'un moda ile başlaması ve sonlarının geleneksel modayı yok etmek olmasıdır.
"Şimdi birisi modayı tanımladı, bu yüzden herkes popüler. Bunun nedeni şu anda her tür şeyin çok kaotik olması ve bu da her türlü şeyin asimetrik bilgisine yol açıyor. Bilgi asimetri ise, son kararı sadece birkaç kişi verebilir. Biz Şimdi yapmamız gereken, bilginin bilgi asimetrisini ortadan kaldırmaktır. "Görülebilen tanıtım fotoğraflarının çoğunda, Huang Dinglong stil ve moda yalıtımlı kıyafetler giyiyor. Kendisinin ve Matt'in belirli bir moda kavramları yok.
10 yıl önce "The Devil Wears Prada" (The Devil Wears Prada) filminde Meryl Streep (Meryl Streep), moda dergisi Miranda'nın modaya yeni başlayanlara karşı tavrını canlandırmıştı. . Bu Huang Dinglong'un en sevdiği ve en sık kullanılan sahnesi Malong'un yapması gereken şeyin moda konuşma hakkını ele geçirmek olduğunu söyledi.
Huang Dinglongun fikrine göre, New York, Tokyo, Milano vb. Şehirlerin yeterince sokak fotoğrafı olduğu sürece, bu şehirlerdeki en popüler renklerin ne olduğunu analiz edebilir ve hatta moda trendlerini nicel bir şekilde hesaplayabilirsiniz, "pembe gibi Geçen hafta% 21'den bu hafta% 38'e bu bir trend, "dedi.
Sonuç olarak moda, artık tasarımcıların, eleştirmenlerin ve moda dergisi editörlerinin ayrıcalığı değil, derin öğrenme teknolojisi altında herhangi bir gizem ve estetiğin olmadığı sıkıcı ve rasyonel bir mekanik iştir ya da başka bir deyişle her sıradan insan bunu yapabilir. En popüler renkleri ve modaları sezgisel olarak anlayın.
Moda trendlerinin zirvesine çıkamasanız bile, bir gecede baskın modaya liderlik edemezseniz bile, Huang Dinglongun orijinal sözleriyle Çin, en azından tamamen bir moda takipçisi olarak hareket etmeyecek ve "dünyadaki bir hazır giyim fabrikasından dönüşme şansı olacaktır." Çin Tekstil Bilgi Merkezi'nin amacı "bir moda kaynağı". Yetkililerin Malong'un teknolojisine değer vermesinin ve onunla işbirliği yapmayı seçmesinin ana nedeni budur.
Huang Dinglong için kişisel olarak, estetik söylemin gücü ve ülkenin büyük anlatısı gibi faktörlerle karşılaştırıldığında, sözde "verimlilik artışı ve insan özgürlüğü" gerici moda fikirleri için gerçek motivasyon olabilir.
Huang Dinglong'un "görsel karar arama" konusundaki orijinal vizyonunu ve bu pazara yönelik hırslarını unutmayın.
Resimler resimden daha fazlasıyla bağlantılıdır, aslında metin aramadan çok da farklı değildir, daha ziyade aramanın internetteki en temel ve yaygın olarak kullanılan HUB olduğunu söylemeliyiz.Kullanıcıların ihtiyaçlarını ve içeriğini birbirine bağlar.
ProductAI AR
5
iPhone 5
6200
APEC
Daha heyecan verici içerik için Titanium Media WeChat ID'yi (ID: taimeiti) takip edin veya Titanium Media Uygulamasını indirin
