Dins de la reescriptura de google: la creació de l'aprenentatge de màquines en tot

Makoto Koike és un conreador de cogombres al Japó. Koike és un antic dissenyador de sistemes incrustats que va passar anys treballant a la indústria automobilística japonesa, però el 2015 va tornar a casa per ajudar a la granja de cogombres dels seus pares. Ben aviat es va adonar que la tasca manual d’ordenar cogombres per color, forma, mida i atributs com ara "espina" era sovint més complicat i més difícil que cultivar-los. Inspirat en la profunda innovació del programari AlphaGo de intel·ligència artificial (AI) de Google, es va proposar automatitzar la tasca.

Les empreses comencen a implementar la IA pràctica de tot tipus, però és segur dir que ningú no veia la solució de classificació de cogombres de Koike. Koike no havia treballat mai amb tècniques d’IA però, mitjançant la biblioteca de programació TensorFlow (ML) de codi obert, va començar a introduir imatges de cogombres. Gràcies a algorismes de visió informàtica per reconèixer objectes i aprenentatge profund per entrenar TensorFlow amb els matisos de diferents cogombres, Koike es va adonar que podia identificar i ordenar les verdures amb un alt nivell de precisió. Aleshores, al no usar res més que TensorFlow i un ordinador econòmic Raspberry Pi 3, Koike va construir una màquina d’ordenació automatitzada que la granja encara avui en dia utilitza.

TensorFlow és un dels molts algorismes i eines de codi obert que revolucionen el que les empreses i els desenvolupadors poden solucionar mitjançant la IA. La companyia es va expandir en la seva missió de "aportar els avantatges de l'AI a tothom" amb la publicació de Google.ai en la seva conferència d'E / S de Google, agrupant tots els seus recursos d'AI en una plataforma unificada. Google també incorpora aquestes tècniques i interfícies de programació d'aplicacions (APIs) en tot el que fa, fent servir ML als seus productes i redefinint fonamentalment el seu funcionament del programari en el procés.

PCMag va visitar recentment Googleplex i va parlar amb executius de G Suite, Google Cloud Platform (GCP) i el laboratori de solució avançada de màrqueting (ML ASL) de la companyia sobre com Google es reconstrueix amb AI.

Intel·ligència artificial a tot arreu

Imaginem que un dels vostres clients té problemes. Un agent del departament d’atenció a la vostra empresa es troba en un xat en viu amb el client a través d’una aplicació de xat que emmagatzema dades a Google Cloud Platform. Per ajudar-los a resoldre el problema, l’usuari ha d’enviar a l’agent algunes dades personals sensibles. Ara diguem que el client és la seva àvia. El representant d’atenció al client demana a l’àvia algunes dades, però en canvi, l’àvia envia més informació de la que necessita quan carrega una imatge de la seva targeta de seguretat social al xat.

En lloc d’arxivar Google aquesta informació d’identificació personal (PII), la imatge es mostra amb el número de seguretat social i una altra PII que es redueix de forma automàtica. L’agent mai no veu cap informació que no necessiten i cap d’aquestes dades entra a l’arxiu xifrat de Google. Durant una demostració de la tecnologia DLP API a la seu de Google a Mountain View, Califòrnia, la companyia va retreure el teló sobre com els algoritmes ML analitzen text i imatges per fer-ho realitat.

Rob Sadowski, responsable de màrqueting de confiança i seguretat per a Google Cloud, va explicar que la redacció automàtica es basa en l'API de Google prevenció de pèrdues de dades (DLP) que treballa a la superfície per classificar les dades sensibles. L’algoritme fa el mateix amb dades com els números de targeta de crèdit i també pot analitzar patrons per detectar quan un número és fals. Aquest no és més que un exemple de l'estratègia estratègia de Google de teixir IA en les seves experiències i donar recursos a empreses i desenvolupadors com Koike per fer el mateix.

Google està lluny de l’únic gegant tecnològic que construeix una capa d’intel·ligència connectiva al seu programari, però, juntament amb Amazon i Microsoft, Google posseeix probablement l’amplitud més estesa d’eines i serveis d’intel·ligència basats en núvols disponibles. Detallant els productes de l’empresa, podeu trobar Google Assistant i diverses API de visió d’ordinadors ML i informàtica que s’utilitzen gairebé a tot arreu.

Google Search utilitza algoritmes ML al seu sistema AI RankBrain per processar i perfeccionar les consultes, re-classificar i agregar dades basades en una sèrie de factors canviants per millorar contínuament la qualitat dels resultats de la cerca. Google Photos utilitza la visió per ordinador per agrupar fotos relacionades en memòries i combinar diversos plans de la mateixa ubicació en panoràmiques. Inbox ofereix als usuaris les respostes intel·ligents generades automàticament per triar i emmagatzema els correus electrònics rellevants agrupant categories similars entre si. La nova aplicació de xat de Google Allo de la companyia inclou Google Assistant integrada. La llista continua.

Totes aquestes aplicacions funcionen amb la infraestructura del núvol de Google i la companyia fins i tot està aplicant ML als seus centres de dades per reduir el consum d'energia mitjançant l'ajustament de bombes de refrigeració basades en dades de càrrega i clima. Sadowski va dir que això també serveix com a capa final de defensa de l'estratègia de seguretat de Google, on la companyia utilitza la intel·ligència de màquina i la puntuació de riscos dins de la seva pila de seguretat per determinar si un sistema està compromès mitjançant analítiques predictives.

"Google pren tots aquests models ML i AI que hem desenvolupat i els permet ajustar per seguretat", ha explicat Sadowski. "La seguretat canvia molt més radicalment que la majoria de sectors de TI. Els productes que eren el nucli de la vostra infraestructura de seguretat fa tres o quatre anys, com els tallafocs i la protecció de punt final, encara són importants, però volem proporcionar una defensa en profunditat, a escala i per per defecte en una infraestructura multinquilí amb milions d'usuaris actius diaris.

"Comença amb el maquinari subjacent del centre de dades", va continuar Sadowski. "A banda d'això, es troben els serveis d'aplicació i l'autenticació amb dades i comunicacions completament xifrades. A més és la identitat de l'usuari. I l'última capa de defensa és la manera de funcionar amb la vigilància, detecció i resposta de les incidències 24 hores al dia. És com nosaltres Resolveu coses com l'accés remot segur amb el servidor intermediari conscient de la identitat. És el servei de cerca de programes DLP i prevenció de fuites de dades, ajudant tant a la governança de dades com a la seguretat. Volem fer que aquestes funcions siguin fàcils de consumir i que treballin a escala."

Una suite G més intel·ligent

ML també s’incorpora a les aplicacions de productivitat de la Suite G de Google. Allan Livingston, director de Gestió de productes de G Suite, va desglossar algunes de les maneres en què l'AI fa que G Suite sigui més intel·ligent i contextual sense que els usuaris se n’adonin.

"Penseu en com G Suite reuneix totes aquestes aplicacions de forma natural", va dir Livingston. "Inicieu el vostre treball en un d'ells i transiteu-los segons convingui. Obre un fitxer adjunt de Gmail a Drive i això us portarà a Google Docs; és realment automàtic.

"Estem intentant pensar-ho per a l'usuari i això també implica l'aprenentatge de màquines. Comencem amb respostes intel·ligents a Inbox i hem tingut un bon èxit amb Gmail, i això ha portat a la funció Explore a Docs, Fulls de càlcul. i diapositives."

Llançada la tardor passada, Explore aplica processament de llenguatge natural (PNL) a l'experiència de productivitat integrada en l'aplicació. A Docs, Explore us ofereix suggeriments instantanis basats en el contingut del vostre document i us recomanen automàticament temes i recursos relacionats. A les diapositives, genera suggeriments de disseny per reduir el format de presentacions. El cas d’ús més interessant, però, és a Fulls de càlcul. Livingston va explicar com Explore utilitza ML per simplificar l’anàlisi de dades i la informació d’intel·ligència de negocis (BI).

"Molts usuaris no saben què és una taula pivot o com utilitzar-la per visualitzar un full de dades", va explicar Livingston. "Suposem que es tracta de les dades de vendes d'un client, en què cada fila és un article que s'ha venut. Explorar permet escriure consultes en llenguatge natural com ara" Què és el tema més important del Black Friday? " i escriu una resposta com ara "Heu venut 563 parells de pantalons". Estem abordant l’anàlisi de dades d’una manera que estalvia temps en la presa de decisions basades en dades, utilitzant l’aprenentatge automàtic per millorar un problema comú d’una manera natural ".

Una demostració de la funció Explore en fulls, de la conferència NEXT de Google Cloud el passat mes de març.

Segons Livingston, Google té previst ampliar aquest tipus de cerca en núvol basada en ML a tercers i començar a construir un ecosistema al seu voltant. La idea general és un tema habitual en la IA pràctica: automatitzar processos manuals per alliberar els usuaris per fer més treballs creatius. Aquesta idea es troba al centre de la majoria d’aplicacions d’aplicació ML: per automatitzar processos empresarials repetibles i tasques quotidianes, inclosa l’ordenació de cogombres.

"En el negoci i amb els consumidors, els usuaris tenen aquests patrons naturals d'interacció. El canvi al núvol i a la productivitat mòbil canvia realment la manera de treballar de la gent i aquestes tècniques d'aprenentatge de màquines aplicades són fonamentals per a això", va dir Livingston. "Per la nostra força en l'aprenentatge de màquines, perquè els nostres productes serveixen de base, a causa de totes les dades del nostre núvol, estem en una posició única per aplicar-la i escalar-la de manera infinita".

Alimenta una revolució d'aprenentatge automàtic

El fonament de tot el que fa Google al voltant de l'AI té el seu origen en les seves API, algorismes i eines de codi obert. La biblioteca TensorFlow de l’empresa és l’eina ML més utilitzada en GitHub, que genera aplicacions com la classificació de cogombres de Koike. La suite d’API subjacents a Google Cloud -algoritmes que abasten la visió d’ordinador, la intel·ligència de vídeo, la parla i la PNL, el model de prediccions i la ML a gran escala a través del motor d’aprenentatge de la màquina de núvol de Google- és la tecnologia que alimenta totes les funcions AI integrades a les aplicacions i serveis de Google i ara també la plataforma Google.ai.

Francisco Uribe, responsable de productes de l'equip AI / ML de Google Cloud, treballa al cor del motor que reescriu el funcionament de Google. Uribe supervisa l’esmentat ML ASL de Google, un laboratori amb un programa immersiu en el qual els experts de Google ML treballen directament amb empreses per implementar solucions d’IA. Utilitzant les API de Google i el Cloud ML Engine, el laboratori treballa amb les empreses per formar i desplegar els seus propis models en producció.

Uribe ha treballat a l'espai de l'AI des de fa més d'una dècada. Va fundar BlackLocus, una startup basada en dades que va crear un motor de preus automatitzat per a minoristes, que va ser adquirit per Home Depot el 2012. Després d’això, es va unir a Google i va treballar durant quatre anys en l’equip de Search Ads aplicant ML per millorar l’experiència publicitària.. El 2016 es va traslladar a un paper d’investigació que exerceix la ML ASL i actuà com a mentor a Google Launchpad Accelerator. Uribe va dir que està sorprès contínuament de com les empreses i els desenvolupadors utilitzen les eines de Google.

"Hem vist casos d'ús a tota la taula: des de l'assistència sanitària i les finances fins al comerç minorista i l'agricultura", va dir Uribe. "Intentem ajudar els clients a millorar les capacitats de percepció. Traducció de veu, anàlisi d'imatges, API de vídeo, llenguatge natural: tots formen part de la democratització de l'accés a algorismes d'aprenentatge automàtic i profund, que finalment han entrat en aplicabilitat".

La ML ASL ha treballat amb HSBC Bank plc, una de les majors organitzacions bancàries i de serveis financers del món, en solucions de ML per al blanqueig de diners i el scoring de crèdit predictiu. La ML ASL també ha treballat amb la United Services Automobile Association (USAA), un grup d’empreses de serveis financers Fortune 500, per formar els enginyers de l’organització en tècniques de ML aplicades a escenaris d’assegurança específics. eBay va utilitzar les eines de Google per entrenar el seu assistent digital ShopBot. Quan ML ASL treballa amb una empresa, Uribe va explicar els quatre pilars que configuren el procés.

"Necessiteu una forta oferta informàtica per fer front als requisits extrems dels treballs de ML, i la columna vertebral de fibra òptica distribuïda de GCP mou les dades d'un node a un node de manera molt eficient", va dir Uribe. "Tenim el motor d'aprenentatge de Cloud Machine per ajudar els clients a formar models. Ajudem els clients a executar dades amb accés a la comunitat de Kaggle de més de 800.000 científics en dades actives. Finalment, necessiteu el talent per estar-hi, per la part de la recerca, tenim el programa de residència cerebral per formar enginyers en el currículum complex de ML. Els veiem com a elements bàsics per ajudar els clients a crear aplicacions intel·ligents."

Tot això s’informa en la comunitat de codi obert i l’ecosistema de tercers que Google està construint al voltant de la seva tecnologia d’AI. La companyia fins i tot va anunciar un concurs de start-ups de ML a principis d’aquest any, que atorga una inversió de fins a 500.000 dòlars a les startups de ML. Uribe va parlar d'algunes de les aplicacions innovadores que ja ha vist de la tecnologia de Google i que poden tenir altres possibilitats.

"Diguem que sou una empresa d'analítica d'atenció al client. Penseu en una API de veu per transcriure el contingut de les trucades i, a continuació, l'anàlisi del sentiment per millorar la qualitat del vostre servei al client", va dir Uribe. "Utilitzeu l'API de visió per fer una foto d'un cartell de carrer en un país estranger i, després, l'API de traducció per traduir aquest contingut en temps real a través d'una experiència d'aplicació. No es tracta només d'augmentar l'eficiència, sinó de crear experiències d'usuari noves i úniques."

Uribe veu eines com TensorFlow com el gran facilitador per a l'adopció de grans formats ML al mercat. No només aquestes tecnologies han esdevingut fonamentals en allò que Google és i com el gegant tecnològic s’acosta al desenvolupament de productes, sinó que Uribe creu que la tecnologia ML àmpliament disponible ajudarà a optimitzar les empreses, a obrir nous fluxos d’ingressos i a inventar una nova classe d’aplicacions intel·ligents.

"Penseu-hi com una nova revolució industrial", va dir Uribe. "Estem veient que aquestes eines permeten augmentar l'eficàcia de les ordres de magnitud i les experiències que no havíeu vist mai. És increïble veure com s'apliquen les empreses noves. Mira el productor de cogombres al Japó. Va utilitzar TensorFlow per construir un model per classificar-se. i ordenar cogombres en funció de patrons, mida, textures, etc., i després crear maquinari especialitzat per executar-lo. Aquest nivell de democratització és increïble de veure i amb prou feines hem ratllat la superfície ".