Endrjū Ng: Aizmirstiet par AI biznesa veidošanu. Sāciet ar misiju.

Džeremijs Portjē

Endrjū Ngs savā dzīvē ir nēsājis daudzas cepures. Jūs, iespējams, pazīstat viņu kā organizācijas dibinātāju Google Brain komanda vai bijušais galvenais zinātnieks plkst Baidu . Jūs varat arī zināt viņu kā savu instruktoru. Viņš ir mācījis neskaitāmiem studentiem, zinātkāriem klausītājiem un uzņēmumu vadītājiem par mašīnmācīšanās principiem, izmantojot savus ļoti populāros tiešsaistes kursus.

Tagad savā jaunākajā uzņēmumā Piezemēšanās AI , kuru viņš uzsāka 2017. gadā, viņš pēta, kā uzņēmumi bez milzīgām datu kopām, ko izmantot, joprojām var pievienoties AI revolūcijai.

23. martā Ng pievienojās MIT Technology Review virtuālajam EmTech Digital — mūsu ikgadējam AI pasākumam, lai dalītos ar gūtajām atziņām.

Šī intervija skaidrības labad ir saīsināta un viegli rediģēta.

MIT tehnoloģiju apskats: Esmu pārliecināts, ka cilvēki jums bieži jautā: Kā izveidot biznesu, kas vispirms tiek izmantots AI? Ko tu parasti uz to saki?

Endrjū Ng: Es parasti saku: nedari tā. Ja es dodos uz komandu un saku: “Ei, visi, lūdzu, vispirms esiet AI, tas parasti koncentrējas uz tehnoloģijām, kas varētu būt lieliski piemērotas pētniecības laboratorijai. Bet attiecībā uz to, kā es veicu uzņēmējdarbību, es parasti esmu klientu vai misijas vadīts, gandrīz nekad neesmu tehnoloģiju vadīts.

Tagad jums ir šis jaunais uzņēmums ar nosaukumu Landing AI. Vai varat nedaudz pastāstīt par to, kas tas ir un kāpēc izvēlējāties pie tā strādāt?

Pēc Google un Baidu AI komandu vadīšanas es sapratu, ka AI ir pārveidojis programmatūras patērētāju internetu, piemēram, meklēšanu tīmeklī un tiešsaistes reklamēšanu. Bet es gribēju izmantot AI visās pārējās nozarēs, kas ir vēl lielāka ekonomikas daļa. Tāpēc, aplūkojot daudzas dažādas nozares, es nolēmu koncentrēties uz ražošanu. Es domāju, ka vairākas nozares ir gatavas mākslīgajam intelektam, taču viens no modeļiem, kā nozare ir vairāk gatava AI, ir tad, ja tajā ir veikta digitālā transformācija, lai būtu daži dati. Tas rada iespēju AI komandām izmantot datus vērtības radīšanai.

Tāpēc viens no projektiem, par ko pēdējā laikā esmu sajūsmā, ir ražošanas vizuālā pārbaude. Vai varat apskatīt attēlu, kurā redzams viedtālrunis, kas nāk no ražošanas līnijas, un redzēt, vai tam nav defekts? Vai arī paskatieties uz kādu auto detaļu un pārbaudiet, vai tajā nav iespiedums? Viena milzīga atšķirība ir patērētāju programmatūras internetā, iespējams, jums ir miljards lietotāju un milzīgs datu apjoms. Taču ražošanā neviena rūpnīca nav izgatavojusi miljardu vai pat miljonu saskrāpētu viedtālruņu. Paldies Dievam par to. Tātad izaicinājums ir: vai jūs varat panākt, lai AI strādātu ar simts attēliem? Izrādās, bieži vien var. Patiesībā esmu diezgan daudz reižu pārsteigts par to, cik daudz jūs varat paveikt ar pat nelielu datu apjomu. Un tāpēc, lai gan visa ažiotāža, satraukums un PR saistībā ar AI ir saistītas ar milzīgajām datu kopām, man šķiet, ka mums ir arī daudz vietas, lai attīstītu, lai izjauktu šīs citas lietojumprogrammas, kurās izaicinājumi ir diezgan atšķirīgi.

Kā tu to dari?

Ļoti bieža kļūda, ko es redzu izpildāmos direktorus un CIO: viņi man saka kaut ko līdzīgu: Hei, Endrjū, mums nav tik daudz datu — mani dati ir netīri. Tāpēc dodiet man divus gadus, lai izveidotu lielisku IT infrastruktūru. Tad mums būs visi šie lielie dati, uz kuriem balstīties AI. Es vienmēr saku: tā ir kļūda. Nedariet to. Pirmkārt, es domāju, ka neviens uzņēmums uz planētas šodien — varbūt pat ne tehnoloģiju giganti — nedomā, ka viņu dati ir pilnīgi tīri un perfekti. Tas ir ceļojums. Pavadot divus vai trīs gadus, lai izveidotu skaistu datu infrastruktūru, jums trūkst atgriezeniskās saites no AI komandas, kas palīdzētu noteikt IT infrastruktūras izveides prioritāti.

Piemēram, ja jums ir daudz lietotāju, vai aptaujas ietvaros jums vajadzētu uzdot viņiem jautājumus, lai iegūtu nedaudz vairāk datu? Vai rūpnīcā jums vajadzētu dot priekšroku sensora jaunināšanai no tā, kas reģistrē vibrācijas 10 reizes sekundē līdz varbūt 100 reizes sekundē? Bieži vien tiek sākts AI projekts, izmantojot jau esošos datus, kas ļauj AI komandai sniegt jums atsauksmes, lai palīdzētu noteikt, kādus papildu datus apkopot.

Nozarēs, kurās mums vienkārši nav tāda mēroga kā patērētāju programmatūras internetam, man šķiet, ka mums ir jāmaina domāšanas veids liels datus uz labi datus. Ja jums ir miljons attēlu, izmantojiet to — tas ir lieliski. Taču ir daudz problēmu, kas var izmantot daudz mazākas datu kopas, kas ir skaidri marķētas un rūpīgi atlasītas.

Vai jūs varētu sniegt piemēru? Ko jūs domājat ar labiem datiem?

Vispirms ļaujiet man sniegt piemēru no runas atpazīšanas. Kad strādāju ar meklēšanu ar balsi, jūs saņemat audio klipus, kuros dzirdējāt kādu sakām: Hm, šodienas laikapstākļi. Jautājums ir, kāda ir šī audio klipa pareizā transkripcija? Vai tas ir Um (komats) šodienas laikapstākļi vai Um (punkts, punkts, punkts) šodienas laikapstākļi, vai arī Um ir kaut kas tāds, ko mēs vienkārši netranskribējam? Izrādās, ka jebkurš no tiem ir piemērots, taču tas nav labi, ja dažādi pārrakstītāji izmanto katru no trim marķēšanas konvencijām. Tad jūsu dati ir trokšņaini, un tas kaitē runas atpazīšanas sistēmai. Tagad, kad jums ir miljoniem vai miljards lietotāju, jūs varat iegūt šos trokšņainos datus un vienkārši aprēķināt to vidējo vērtību — mācīšanās algoritms darbosies labi. Bet, ja atrodaties vidē, kur jums ir mazāka datu kopa, piemēram, simts piemēru, tad šāda veida trokšņaini dati ļoti ietekmē veiktspēju.

Vēl viens piemērs no ražošanas: mēs daudz strādājām pie tērauda pārbaudes. Ja jūs braucat ar automašīnu, jūsu automašīnas sānu daļa kādreiz bija izgatavota no tērauda loksnes. Dažreiz tēraudā ir nelielas grumbiņas vai mazi iespiedumi vai plankumi uz tā. Tātad jūs varat izmantot kameru un datoru, lai redzētu, vai ir defekti. Taču dažādi marķētāji datus marķēs atšķirīgi. Daži visā reģionā uzliks milzīgu robežlodziņu. Daži ap mazajām daļiņām ievietos nelielus ierobežojošus lodziņus. Ja jums ir pieticīga datu kopa, pārliecinieties, ka dažādie kvalitātes inspektori konsekventi marķē datus — tā izrādās viena no vissvarīgākajām lietām.

Daudziem AI projektiem atvērtā pirmkoda modelis, ko lejupielādējat no GitHub — neironu tīkls, ko varat iegūt no literatūras, ir pietiekami labs. Ne visām problēmām, bet galvenajām problēmām. Tāpēc esmu devies uz daudzām savām komandām un teicis: Sveiki, visi, neironu tīkls ir pietiekami labs. Nejauciet vairs ar kodu. Vienīgais, ko jūs tagad darīsit, būs procesu veidošana, lai uzlabotu datu kvalitāti. Un izrādās, ka tas bieži vien nodrošina ātrākus algoritma veiktspējas uzlabojumus.

Par kādu datu lielumu domājat, runājot par mazākām datu kopām? Vai jūs runājat par simts piemēriem? Desmit piemēri?

Mašīnmācīšanās ir tik daudzveidīga, ka ir kļuvis ļoti grūti sniegt visiem atbilstošas ​​atbildes. Esmu strādājis pie problēmām, kurās man bija aptuveni 200 līdz 300 miljoni attēlu. Esmu strādājis arī pie problēmām, kurās man bija 10 attēli un viss pa vidu. Skatoties uz ražošanas lietojumprogrammām, es domāju, ka defektu klasei ir desmiti vai varbūt simts attēlu, kas nav nekas neparasts, taču pat rūpnīcas ietvaros ir ļoti lielas atšķirības.

Es uzskatu, ka mākslīgā intelekta prakse mainās, kad apmācības komplektu lielums ir mazāks, teiksim, 10 000 piemēru, jo tas ir sava veida slieksnis, kurā inženieris būtībā var apskatīt katru piemēru un pats to izstrādāt un pēc tam pieņemt lēmumu.

Nesen es tērzēju ar ļoti labu inženieri vienā no lielajiem tehnoloģiju uzņēmumiem. Un es jautāju: Hei, ko jūs darāt, ja etiķetes ir pretrunīgas? Un viņš teica: Nu, mums ir vairāku simtu cilvēku komanda ārzemēs, kas veic marķēšanu. Tāpēc es uzrakstīšu marķēšanas instrukcijas, likšu trīs cilvēkiem marķēt katru attēlu, un tad es ņemšu vidējo rādītāju. Un es teicu: jā, tas ir pareizi, ja jums ir milzīga datu kopa. Bet, kad es strādāju ar mazāku komandu un etiķetes ir pretrunīgas, es vienkārši izsekoju divus cilvēkus, kuri nepiekrīt viens otram, sasaucu abus ar Zoom zvanu un lieku viņiem runāt vienam ar otru, lai mēģinātu panākt risinājumu.

Es vēlos tagad pievērst mūsu uzmanību, lai runātu par jūsu domām par vispārējo AI nozari. Algoritms ir mūsu AI informatīvais izdevums, un es devu mūsu lasītājiem iespēju jau iepriekš iesniegt jums dažus jautājumus. Kāds lasītājs jautā: šķiet, ka AI attīstība lielākoties ir sadalījusies vai nu uz akadēmiskiem pētījumiem, vai uz liela mēroga, resursu ietilpīgām, lielu uzņēmumu programmām, piemēram, OpenAI un DeepMind. Tas īsti neatstāj daudz vietas maziem jaunizveidotiem uzņēmumiem. Kādas, jūsuprāt, ir dažas praktiskas problēmas, kurām mazie uzņēmumi patiešām var pievērsties, lai palīdzētu virzīt AI komerciālu ieviešanu?

Es domāju, ka liela mediju uzmanība tiek pievērsta lielajām korporācijām un dažreiz arī lielajām akadēmiskajām iestādēm. Bet, ja dodaties uz akadēmiskajām konferencēm, ir daudz darba, ko paveiks mazākas pētniecības grupas un pētniecības laboratorijas. Un, kad es runāju ar dažādiem cilvēkiem dažādos uzņēmumos un nozarēs, man šķiet, ka ir tik daudz biznesa lietojumprogrammu, ar kurām viņi varētu izmantot AI. Es parasti eju pie uzņēmumu vadītājiem un jautāju: Kādas ir jūsu lielākās biznesa problēmas? Kas ir tās lietas, kas tevi satrauc visvairāk? lai es varētu labāk izprast biznesa mērķus un pēc tam pārdomāt, vai ir vai nav AI risinājums. Un dažreiz tā nav, un tas ir labi.

Varbūt es tikai pieminēšu pāris nepilnības, kas man šķiet aizraujošas. Es domāju, ka mūsdienās AI sistēmu veidošana joprojām ir ļoti manuāla. Jums ir daži izcili mašīnmācības inženieri un datu zinātnieki, kas veic darbības datorā un pēc tam virza lietas uz ražošanu. Šajā procesā ir daudz manuālu darbību. Tāpēc es priecājos par ML ops [mašīnmācīšanās operācijām] kā jaunu disciplīnu, kas palīdz padarīt AI sistēmu izveides un izvietošanas procesu sistemātiskāku.

Turklāt, ja paskatās uz daudzām tipiskām uzņēmējdarbības problēmām — no mārketinga līdz talantiem — ir daudz iespēju automatizēt un uzlabot efektivitāti.

Es arī ceru, ka mākslīgā intelekta kopiena var aplūkot lielākās sociālās problēmas — redzēt, ko mēs varam darīt klimata pārmaiņu, bezpajumtniecības vai nabadzības novēršanai. Papildus dažkārt ļoti vērtīgajām biznesa problēmām mums vajadzētu strādāt arī pie lielākajām sociālajām problēmām.

Kā jūs faktiski veicat procesu, lai noteiktu, vai jūsu uzņēmumam ir iespēja kaut ko īstenot ar mašīnmācību?

Es mēģināšu pats mazliet uzzināt par biznesu un palīdzēt uzņēmumu vadītājiem uzzināt mazliet par AI. Tad mēs parasti izdomājam projektu kopumu, un katrai no idejām es veicu gan tehnisko, gan biznesa rūpību. Mēs apskatīsim: vai jums ir pietiekami daudz datu? Kāda ir precizitāte? Vai, izvietojot ražošanā, ir gara aste? Kā aizpildīt datus atpakaļ un aizvērt nepārtrauktas mācīšanās cilpu? Tātad, pārliecinoties, ka problēma ir tehniski iespējama. Un tad biznesa rūpība: mēs pārliecināmies, ka tas sasniegs cerēto IA. Pēc šī procesa jums ir ierasts, piemēram, resursu aplēse, atskaites punkti un, cerams, ķerties pie izpildes.

Vēl viens ieteikums: svarīgāk ir sākt ātri, un ir pareizi sākt ar mazumiņu. Mana pirmā nozīmīgā biznesa lietojumprogramma Google bija runas atpazīšana, nevis meklēšana tīmeklī vai reklamēšana. Taču, palīdzot Google runas komandai padarīt runas atpazīšanu precīzāku, tas nodrošināja Brain komandai uzticamību un resursus, lai turpinātu arvien plašākas partnerības. Tātad Google Maps bija otrā lielā partnerība, kurā izmantojām datorredzi — lai nolasītu māju numurus, lai Google kartēs noteiktu māju ģeogrāfisko atrašanās vietu. Un tikai pēc šiem pirmajiem diviem veiksmīgajiem projektiem man bija nopietnāka saruna ar reklāmas komandu. Tāpēc es domāju, ka vairāk uzņēmumu cieš neveiksmi, uzsākot pārāk lielu darbību, nekā izgāžas, uzsākot pārāk mazu. Ir labi veikt mazāku projektu, lai sāktu darbu kā organizācija, lai uzzinātu, kā šķiet izmantot AI, un pēc tam turpinātu gūt lielākus panākumus.

Kāda ir viena lieta, kas mūsu auditorijai būtu jāsāk darīt rīt, lai ieviestu AI savos uzņēmumos?

Iesaistieties. AI izraisa pārmaiņas daudzu nozaru dinamikā. Tātad, ja jūsu uzņēmums vēl neveic diezgan agresīvus un gudrus ieguldījumus, šis ir piemērots brīdis.

paslēpties