Facebook uzsāk progresīvus AI centienus atrast jēgu jūsu ziņām

Facebook ir paredzēts, lai iegūtu vēl labāku izpratni par 700 miljoniem cilvēku, kuri katru dienu izmanto sociālo tīklu, lai dalītos ar informāciju par savu personīgo dzīvi.

Jauna pētniecības grupa uzņēmumā strādā pie jaunas un spēcīgas pieejas mākslīgajam intelektam, kas pazīstama kā dziļa mācīšanās, kas datu apstrādei izmanto simulētus smadzeņu šūnu tīklus. Šīs metodes izmantošana Facebook kopīgotajiem datiem varētu nodrošināt jaunas funkcijas un, iespējams, palielināt uzņēmuma reklāmu mērķauditorijas atlasi.

Padziļināta mācīšanās ir parādījusi potenciālu kā pamatu programmatūrai, kas varētu izstrādāt tekstā aprakstītās emocijas vai notikumus, pat ja tie nav skaidri norādīti, atpazīt objektus fotogrāfijās un sniegt sarežģītas prognozes par cilvēku iespējamo turpmāko uzvedību.

Astoņu cilvēku grupa, kas iekšēji pazīstama kā AI komanda, tikai nesen sāka darbu, un sīkāka informācija par tās eksperimentiem joprojām ir slepena. Taču Facebook galvenais tehnoloģiju speciālists Maiks Šroepfers sacīs, ka viens acīmredzams veids, kā izmantot padziļinātu mācīšanos, ir uzlabot ziņu plūsmu — personalizēto jaunāko atjauninājumu sarakstu, ko viņš dēvē par Facebook slepkavas lietotni. Uzņēmums jau izmanto parastās mašīnmācīšanās metodes, lai samazinātu 1500 atjauninājumus, ko vidējie Facebook lietotāji, iespējams, varētu redzēt līdz 30 līdz 60, kas tiek uzskatīti par viņiem vissvarīgākajiem. Šroepfers saka, ka Facebook ir jāpilnveidojas, izvēloties labākos atjauninājumus, jo tā lietotāji ģenerē vairāk datu un dažādos veidos izmanto sociālo tīklu.

Datu kopas apjoms palielinās, cilvēki iegūst vairāk draugu, un līdz ar mobilo ierīču parādīšanos cilvēki biežāk ir tiešsaistē, stāstīja Šroepfers. MIT tehnoloģiju apskats . Nav tā, ka es vienu reizi dienas beigās skatos savu ziņu plūsmu; Es pastāvīgi izvelku tālruni, kamēr gaidu savu draugu vai esmu kafejnīcā. Mums ir piecas minūtes, lai jūs patiesi iepriecinātu.

Shroepfer saka, ka padziļinātu mācīšanos varētu izmantot arī, lai palīdzētu cilvēkiem sakārtot savus fotoattēlus vai izvēlēties, kuru fotoattēlu kopīgot Facebook.

Aplūkojot dziļu mācīšanos, Facebook seko saviem konkurentiem Google un Microsoft, kas pagājušajā gadā ir izmantojuši pieeju iespaidīgam efektam. Google ir nolīgusi un ieguvusi vadošos talantus šajā jomā (skatiet 10 Breakthrough Technologies 2013: Deep Learning ), un pagājušajā gadā tas radīja programmatūru, kas iemācījās atpazīt kaķus un citus objektus, pārskatot fotoattēlus no YouTube videoklipiem. Pamattehnoloģija vēlāk tika izmantota, lai samazinātu Google balss atpazīšanas pakalpojumu kļūdu līmeni (skatiet Google virtuālās smadzenes darbu ).

Tikmēr Microsoft pētnieki ir izmantojuši dziļo mācīšanos, lai izveidotu sistēmu, kas reāllaikā pārtulko runu no angļu valodas uz ķīniešu mandarīnu valodu (skatiet Microsoft Brings Star Trek’s Voice Translator to Life). Ķīnas tīmekļa gigants Baidu arī nesen izveidoja Silīcija ielejas pētniecības laboratoriju, lai strādātu pie dziļas mācīšanās.

Mazāk sarežģīti mašīnmācīšanās veidi ir bijuši pamatā dažām noderīgākajām funkcijām, ko pēdējos gados ir izstrādājuši lielākie tehnoloģiju uzņēmumi, piemēram, surogātpasta noteikšanas sistēmas un sejas atpazīšana attēlos. Lielākie uzņēmumi tagad ir sākuši lielus ieguldījumus padziļinātā apmācībā, jo tas var sniegt ievērojamus ieguvumus salīdzinājumā ar šīm vairāk iedibinātajām metodēm, saka Eliots Tērners, uzņēmuma dibinātājs un izpilddirektors. AlchemyAPI , kas iznomā piekļuvi savai teksta un attēlu dziļās apmācības programmatūrai.

Viņš saka, ka attēlu, teksta un valodas izpratnes pētījumi ir veikti gadu desmitiem, taču tipisks uzlabojums, ko varētu piedāvāt jauna tehnika, bija daļa no procentiem. Tādos uzdevumos kā redze vai runa, mēs redzam par 30 procentiem plus uzlabojumus ar dziļu mācīšanos. Jaunākā tehnika arī ļauj daudz ātrāk virzīties uz priekšu, apmācot jaunu programmatūru, saka Tērners.

Tradicionālie mašīnmācīšanās veidi ir lēnāki, jo, pirms datus var ievadīt mācību programmatūrā, ekspertiem manuāli jāizvēlas, kurām tās funkcijām programmatūrai jāpievērš uzmanība, un viņiem ir jāmarķē dati, lai norādītu, piemēram, ka konkrētos attēlos ir automašīnas.

Padziļinātās mācīšanās sistēmas var mācīties ar daudz mazāku cilvēka iejaukšanos, jo tās pašas var noskaidrot, kuras neapstrādāto datu iezīmes ir visnozīmīgākās. Viņi pat var strādāt ar datiem, kas nav marķēti, kā to darīja Google kaķu atpazīšanas programmatūra. Sistēmas, kas spēj to izdarīt, datu apstrādei parasti izmanto programmatūru, kas simulē smadzeņu šūnu tīklus, kas pazīstami kā neironu tīkli. Lai tie darbotos, ir nepieciešamas jaudīgākas datoru kolekcijas.

Facebook AI grupa strādās pie lietojumprogrammām, kas var palīdzēt uzņēmuma produktiem, kā arī pie vispārīgākiem pētījumiem, kas tiks publiskoti, saka Srinivas Narajanans, Facebook inženierzinātņu vadītājs, kurš palīdz izveidot jauno grupu. Viņš saka, ka viens no veidiem, kā Facebook var palīdzēt veicināt dziļu mācīšanos, ir izmantot savu neseno darbu, radot jaunus aparatūras un programmatūras veidus lielu datu kopu apstrādei (skatiet Facebook ne tik slepeno jauno datu centru). Tā ir gan programmatūras, gan aparatūras problēma kopā; Viņš saka, ka veids, kā jūs mērogojat šos tīklus, prasa ļoti dziļu abu integrāciju.

Facebook nolīga dziļas mācīšanās ekspertu Marks Aurelio Ranzato prom no Google tās jaunajai grupai. Citi dalībnieki ir Yaniv Taigman, sejas atpazīšanas starta Face.com līdzdibinātājs (skatiet sadaļu When You’re Always a Familiar Face); datorredzes eksperts Ļubomirs Burdevs; un veterāns Facebook inženieris Kīts Adamss.

paslēpties