Inne i Googles ai omskriving: å bygge maskinlæring til alt

Makoto Koike er en agurkbonde i Japan. Koike er en tidligere innebygd systemdesigner som tilbrakte mange år i den japanske bilindustrien, men i 2015 reiste han hjem for å hjelpe på foreldrenes agurkgård. Han innså snart at den manuelle oppgaven med å sortere agurker etter farge, form, størrelse og attributter som "tornighet" ofte var vanskeligere og vanskeligere enn å dyrke dem. Inspirert av den dype læringsinnovasjonen til Googles programvare for kunstig intelligens (AI) AlphaGo, satte han seg for å automatisere oppgaven.

Bedrifter begynner å implementere praktisk AI på alle slags måter, men det er trygt å si at ingen så Koikes AI agurk-sorteringsløsning komme. Koike hadde aldri jobbet med AI-teknikker før, men ved å bruke open source TensorFlow machine learning (ML) -biblioteket, begynte han å legge inn bilder av agurker. Takket være algoritmer for datasyn for å gjenkjenne gjenstander og dyp læring for å trene TensorFlow på nyansene til forskjellige agurker, innså Koike at de kunne identifisere og sortere grønnsakene med høy grad av nøyaktighet. Da bygde Koike en automatisk sorteringsmaskin som gården fortsatt bruker i dag, ved å bruke ingenting annet enn TensorFlow og en billig Raspberry Pi 3-datamaskin.

TensorFlow er en av de mange open-source algoritmer og verktøy som revolusjonerer hva virksomheter og utviklere kan løse ved hjelp av AI. Selskapet utvidet sitt oppdrag om å "bringe fordelene ved AI til alle" med utgivelsen av Google.ai på sin Google I / O-konferanse, og samlet alle sine AI-ressurser til en enhetlig plattform. Google integrerer også disse teknikkene og applikasjonsprogrammeringsgrensesnittene (APIer) i alt den gjør, baker ML i produktene sine og omdefinerer fundamentalt hvordan programvaren fungerer i prosessen.

PCMag besøkte nylig Googleplex og snakket med ledere fra G Suite, Google Cloud Platform (GCP) og selskapets Machine Learning Advanced Solution Lab (ML ASL) om hvordan Google bygger seg opp igjen med AI.

Kunstig intelligens overalt

La oss si at en av kundene dine har et problem. En agent fra firmaets helpdesk-avdeling er i en live chat med kunden gjennom en chat-app som lagrer data på Google Cloud Platform. For å hjelpe dem med å løse problemet, må brukeren sende agenten noen sensitive personopplysninger. La oss si at kunden er bestemoren din. Kundeservicerepresten ber bestemor om noen få data, men i stedet sender bestemor mye mer informasjon enn hun trenger når hun laster opp et bilde av trygdekortet sitt til chatten.

I stedet for at Google arkiverer den personlige identifiserbare informasjonen (PII), vises bildet med personnummer og annen PII automatisk omgjort. Agenten ser aldri informasjon de ikke trenger og ingen av disse dataene går inn i Googles krypterte arkiv. Under en demonstrasjon av DLP API-teknologien ved Googles hovedkvarter i Mountain View, California, trakk selskapet tilbake gardinen om hvordan ML-algoritmer analyserer tekst og bilder for å få dette til.

Rob Sadowski, tillits- og sikkerhetsmarkedsføringsleder for Google Cloud, forklarte at den automatiske redaksjonen drives av Googles API for å forhindre datatap (DLP) som fungerer under overflaten for å klassifisere sensitive data. Algoritmen gjør det samme med data som kredittkortnummer, og kan også analysere mønstre for å oppdage når et nummer er falsk. Dette er bare ett eksempel på Googles subtile strategi om å veve AI inn i sine opplevelser, og gi bedrifter og utviklere som Koike ressurser til å gjøre det samme.

Google er langt fra den eneste tech-giganten som bygger et bindeintelligenslag i programvaren, men sammen med Amazon og Microsoft har Google uten tvil den mest utbredte bredden av skybaserte etterretningsverktøy og tjenester tilgjengelig. Ved å bryte ned selskapets produkter, kan du finne Google Assistant og forskjellige programmeringsgrensesnitt for ML og datamaskiner som brukes omtrent overalt.

Google Søk bruker ML-algoritmer i RankBrain AI-systemet for å behandle og avgrense spørsmål, om rangere og samle data basert på en rekke skiftende faktorer for kontinuerlig å forbedre kvaliteten på søkeresultatene. Google Foto bruker datamaskinvisjon for å sy relaterte bilder sammen til minner og kombinere flere bilder av samme sted til panoramaer. Innboks gir brukere automatisk genererte smarte svar å velge mellom, og overflater relevante e-poster ved å binde lignende kategorier sammen. Selskapets nye Google Allo chat-app leveres med Google Assistant innebygd. Listen fortsetter.

Alle disse appene kjører på Googles skyinfrastruktur, og selskapet bruker til og med ML i sine datasentre for å redusere strømforbruket ved å justere kjølepumper basert på belastnings- og værdata. Sadowski sa at dette også fungerer som det siste forsvarslaget i Googles sikkerhetsstrategi, der selskapet bruker maskinell intelligens og risikoscoring innenfor sikkerhetsstabelen for å avgjøre om et system er kompromittert ved hjelp av prediktiv analyse.

"Google tar alle disse ML- og AI-modellene vi har utviklet og innstiller dem for sikkerhet, " forklarte Sadowski. "Sikkerhet endrer seg mye mer radikalt enn de fleste sektorer av IT. Produkter som var kjernen i sikkerhetsinfrastrukturen din for tre eller fire år siden, som brannmurer og endepunktbeskyttelse, er fortsatt viktig, men vi ønsker å gi forsvar i dybden, i skala og av standard over en infrastruktur med flere leietakere med millioner av aktive brukere daglig.

"Det starter med den underliggende datamaskinens maskinvare, " fortsatte Sadowski. "På toppen av det er applikasjonstjenester og autentisering med fullstendig kryptert data og kommunikasjon. På toppen av dette er brukeridentitet. Og det siste forsvarslaget er hvordan vi jobber med 24/7 overvåkning, deteksjon og hendelsesrespons. Det er slik vi løse for ting som sikker ekstern tilgang med identitetsbevisst proxy. Det er den programmatiske DLP-tjenesten som finner og forhindrer datalekkasjer og hjelper med datastyring og sikkerhet. Vi har som mål å gjøre disse mulighetene enkle, forbruksvarer og få dem til å fungere i stor skala."

En smartere G-suite

ML er også innebygd i Googles G Suite-produktivitetsapper. Allan Livingston, direktør for produktstyring for G Suite, brøt sammen noen av måtene AI gjør G Suite smartere og mer kontekstuell uten at brukerne selv skjønner det.

"Tenk på hvordan G Suite samler alle disse applikasjonene på en naturlig integrert måte, " sa Livingston. "Du starter arbeidet ditt i en av dem og flyter gjennom når det passer. Du åpner et Gmail-vedlegg i Drive, og det tar deg inn i Docs; det er virkelig automatisk.

"Vi prøver å tenke på det for brukeren, og det innebærer også maskinlæring. Vi startet med smarte svar i innboksen, og vi har hatt god suksess med Gmail, og det har ført til Explore-funksjonen i Docs, Sheets og lysbilder."

Utrullet i fjor høst, bruker Explore naturlig språkbehandling (NLP) på produktivitetsopplevelsen i appen. I Docs gir Explore deg øyeblikkelig forslag basert på innholdet i dokumentet og anbefaler automatisk relaterte emner og ressurser. I Slides genererer det designforslag for å kutte ned på presentasjonsformatering. Den mest interessante brukssaken er imidlertid i Sheets. Livingston forklarte hvordan Explore bruker ML for å forenkle dataanalyse og BI-innsikt.

"Mange brukere vet ikke hva som er et pivottabell, eller hvordan de kan brukes til å visualisere et ark med data, " forklarte Livingston. "La oss si at du har å gjøre med salgsdata for en kunde, der hver rad er en vare som er solgt. Utforsk lar deg skrive inn naturlige språkspørsmål som" Hva er toppartikelen på Black Friday? " og spytter ut et svar som 'Du solgte 563 buksepar.' Vi tar for oss dataanalyse på en måte som sparer tid i å ta datadrevne beslutninger, ved å bruke maskinlæring for å forbedre et vanlig problem på en naturlig måte."

En demonstrasjon av Explore-funksjonen i Sheets, fra Google Cloud NEXT-konferansen siste mars.

Ifølge Livingston planlegger Google å utvide denne typen ML-drevne skysøk til tredjeparter og begynne å bygge et økosystem rundt det. Den overordnede ideen er et vanlig tema i praktisk AI: automatisering av manuelle prosesser for å frigjøre brukere for mer kreativt arbeid. Denne ideen er kjernen i de fleste appene til ML-apper: å automatisere repeterbare forretningsprosesser og daglige oppgaver, inkludert sortering av agurker.

"I næringslivet og med forbrukere har brukere disse naturlige interaksjonsmønstrene. Skiftet til skyen og til mobil produktivitet endrer virkelig måten folk jobber på, og disse anvendte maskinlæringsteknikkene er grunnleggende for det, " sa Livingston. "På grunn av vår styrke i maskinlæring, på grunn av at produktene våre tjener som en base, på grunn av alle dataene i skyen vår, er vi i en unik posisjon til å bruke det og skalere uendelig."

Å drive en maskinlærende revolusjon

Grunnlaget for alt Google gjør rundt AI er forankret i sine API-er, algoritmer og open source-verktøy. Selskapets TensorFlow-bibliotek er det mest brukte ML-verktøyet på GitHub, gyteapper som Koikes agurksorterer. Pakken med API-er som ligger til grunn for Google Cloud - algoritmer som spenner over datamaskinsyn, videointelligens, tale- og NLP, prediksjonsmodellering og storstilt ML gjennom Google Cloud Machine Learning Engine - er teknologien som driver hver AI-funksjon integrert i Googles apper og tjenester og nå Google.ai-plattformen også.

Francisco Uribe, produktansvarlig for Google Cloud sitt AI / ML-team, jobber i hjertet av motoren som skriver om hvordan Google fungerer. Uribe fører tilsyn med Googles nevnte ML ASL, et laboratorium med et oppslukende program der Google ML-eksperter samarbeider direkte med bedrifter for å implementere AI-løsninger. Ved å bruke Googles API-er og Cloud ML Engine jobber laboratoriet med bedrifter for å trene og distribuere sine egne modeller i produksjon.

Uribe har jobbet i AI-plassen i mer enn et tiår. Han grunnla BlackLocus, en datadrevet oppstart som bygde en automatisert prismotor for detaljister, som ble anskaffet av Home Depot i 2012. Etter det begynte han i Google og jobbet i fire år i Search Ads-teamet som brukte ML for å forbedre annonseopplevelsen. I 2016 flyttet han inn i en forskningsrolle som drev ML ASL og fungerte som en mentor i Googles Launchpad Accelerator. Uribe sa at han stadig blir overrasket over hvordan bedrifter og utviklere bruker Googles verktøy.

"Vi har sett brukssaker over hele linjen - fra helsevesen og økonomi til detaljhandel og landbruk, " sa Uribe. "Vi prøver å hjelpe kundene med å forbedre oppfatningsevnen. Taleoversettelse, bildeanalyse, video-API-er, naturlig språk: de er alle en del av å demokratisere tilgangen til maskin- og dypelæringsalgoritmer, som endelig har lagt inn anvendbarheten."

ML ASL har samarbeidet med HSBC Bank plc, en av de største bank- og finansieringsorganisasjonene i verden, om ML-løsninger for bekjempelse av hvitvasking av penger og forutsigbar kredittscore. ML ASL har også jobbet med United Services Automobile Association (USAA), en Fortune 500-finansieringsselskapsgruppe for selskaper, for å trene organisasjonens ingeniører på ML-teknikker brukt på spesifikke forsikringsscenarier. eBay brukte Googles verktøy for å trene sin ShopBot digitale assistent. Når ML ASL jobber med et selskap, forklarte Uribe de fire søylene som utgjør prosessen.

"Du trenger et sterkt beregningstilbud for å håndtere de ekstreme kravene til ML-jobber, og GCPs distribuerte fiberoptiske ryggrad flytter data fra nod til node veldig effektivt, " sa Uribe. "Vi har Cloud Machine Learning Engine som hjelper kunder med å trene modeller. Vi hjelper kunder med å utføre data med tilgang til Kaggles samfunn på 800 000+ aktive dataforskere. Til slutt trenger du talentet til å være der, så på forskningssiden av ting, Vi har Brain Residency-programmet for å trene ingeniører på kompleks ML-læreplan. Vi ser på disse som byggesteinene for å hjelpe kunder med å bygge intelligente applikasjoner."

Dette strømmer inn i open source-samfunnet og tredjeparts økosystem som Google bygger rundt AI-teknologien. Selskapet kunngjorde til og med en ML-startkonkurranse tidligere i år, som tildeler opptil 500 000 dollar i investeringer til ML-startups. Uribe snakket om noen av de innovative applikasjonene han allerede har sett på Googles teknologi og hvor andre muligheter kan ligge.

"La oss si at du er et kundeserviceanalyseselskap. Tenk på en tale-API for å transkribere innholdet i samtaler, og deretter sentimentanalyse for å forbedre kvaliteten på kundeservicen din, " sa Uribe. "Bruk visjonen API til å ta et bilde av et gateskilt i et fremmed land og deretter oversettelses-API for å oversette dette innholdet i sanntid gjennom en appopplevelse. Det handler ikke bare om å øke effektiviteten; det handler om å skape nye og unike brukeropplevelser."

Uribe ser verktøy som TensorFlow som den store muligheten for storstilt ML-adopsjon på markedet. Ikke bare har disse teknologiene blitt kjernen i hva Google er og hvordan teknigiganten nærmer seg produktutvikling, men Uribe mener at allment tilgjengelig ML-teknologi vil bidra til å optimalisere bedrifter, åpne nye inntektsstrømmer og finne opp en ny klasse av intelligente apper.

"Tenk på det som en ny industriell revolusjon, " sa Uribe. "Vi ser at disse verktøyene gjør det mulig å øke effektiviteten og opplevelsene du aldri har sett før. Størrelsesordrer øker. Det er utrolig å se hvordan oppstarter bruker det. Se på agurkbonden i Japan. Han brukte TensorFlow for å lage en modell for å klassifisere og sortering av agurker basert på mønstre, størrelse, teksturer osv., og deretter bygget spesialisert maskinvare for å utføre den. Dette nivået av demokratisering er utrolig å se, og vi har knapt skrapet på overflaten."