211service.com
Google piedāvā uz mākoņiem balstītu mācību programmu
Sākot ar Amazon produktu ieteikumiem un beidzot ar Pandora spēju atrast mums jaunas dziesmas, kas mums patīk, viedākie tīmekļa pakalpojumi paļaujas uz mašīnmācīšanos — algoritmiem, kas ļauj programmatūrai iemācīties reaģēt uz jaunu informāciju vai notikumiem ar zināmu inteliģenci.
Tagad Google ir uzsācis pakalpojumu, kas varētu sniegt šādus viedokļus daudzām citām lietotnēm. Google Prediction API nodrošina vienkāršu veidu, kā izstrādātāji var izveidot programmatūru, kas iemācās apstrādāt ienākošos datus. Piemēram, Google mitinātos algoritmus var apmācīt kārtot e-pasta ziņojumus kategorijās sūdzībām un uzslavām, izmantojot datu kopu, kurā ir daudz abu veidu piemēru. Pēc tam turpmākos e-pastus varētu pārbaudīt ar programmatūru, izmantojot šo API, un attiecīgi apstrādāt.
Pašlaik tikai simtiem izstrādātāju var piekļūt pakalpojumam, saka Treviss Grīns, Google Prediction API produktu vadītājs, taču jau tagad mēs redzam, ka cilvēki dara dažas pārsteidzošas lietas. Viņš saka, ka lietotāju diapazons ir no mobilo un tīmekļa lietotņu izstrādātājiem līdz naftas kompānijām. Daudzi vēlas sniegt produktu ieteikumus, un ir arī interesanti NVO lietošanas gadījumi ar idejām, piemēram, ārkārtas informācijas iegūšana no Twitter vai citiem tiešsaistes avotiem.
Mašīnmācību nav viegli iebūvēt programmatūrā. Dažādiem datu veidiem vislabāk darbojas dažādi algoritmi un matemātiskās metodes. Grīns saka, ka parasti ir nepieciešamas specializētas zināšanas par mašīnmācību, lai apsvērtu to izmantošanu produktā.
Google pakalpojums nodrošina sava veida mašīnmācības melno kasti — dati nonāk vienā galā, bet prognozes nāk otrā galā. Ir trīs pamata komandas: viena augšupielādēt datu kolekciju, otra norāda pakalpojumam, lai uzzinātu, ko tas var no tā, un trešā, lai iesniegtu jaunus datus, lai sistēma reaģētu, pamatojoties uz iegūto informāciju.
Grīns saka, ka izstrādātāji to var izvietot savā vietnē vai lietotnē 20 minūšu laikā. Mēs cenšamies nodrošināt patiešām vienkāršu pakalpojumu, kas neprasa viņiem mēnesi pēc mēneša pavadīt dažādus algoritmus. Google melnajā kastē faktiski ir vesels dažādu algoritmu komplekts. Kad dati tiek augšupielādēti, visi algoritmi tiek automātiski piemēroti, lai noskaidrotu, kurš konkrētajam darbam vislabāk atbilst, un pēc tam tiek izmantots labākais algoritms, lai apstrādātu jebkuru jaunu iesniegto informāciju.
Mašīnmācības iegūšana Google mērogā ir nozīmīga, saka Džoels Konfino, programmatūras izstrādātājs Filadelfijā, kurš veido liela mēroga tīmekļa lietotnes bankām un farmācijas uzņēmumiem un priekšskatījuma programmas dalībnieks. Viņš izmantoja Prediction API, lai ātri izstrādātu vienkāršu, bet efektīvu surogātpasta filtrs , un viņš saka, ka pakalpojumam ir skaidrs komerciāls potenciāls.
Piemēram, bankai vai kredītkaršu uzņēmumam, kas vēlas izmantot mašīnmācīšanos, lai izveidotu sistēmas, kas pieņem lēmumus, pamatojoties uz vēsturiskiem darījumiem, visticamāk, nebūs specializēta personāla un nepieciešamās infrastruktūras skaitļošanas ietilpīgai pieejai. Šī API varētu būt veids, kā lēti iegūt iespēju, kas izmaksātu milzīgu summu, izmantojot tradicionālo maršrutu.
Google jaunais pakalpojums var būt patīkamāks uzņēmumiem, kuri uzmanās nodot savus datus mākoņa pakalpojumu sniedzējiem, saka Confino. Datus var pilnībā aizsegt, un jūs joprojām varat izmantot šo pakalpojumu. Google nav jāzina, vai jūsu sūtītie skaitļi ir akciju cenas vai mājokļu cenas.
Tomēr Google iegūst informāciju, ko tā var izmantot, lai uzlabotu savus mašīnmācīšanās algoritmus. Mēs neskatāmies uz lietotāju datiem, taču mēs redzam tos pašus prognozēšanas kvalitātes rādītājus, ko viņi dara, lai palīdzētu mums uzlabot pakalpojumu, saka Grīns. Inženieri, kas izmanto Prediction API, zinās, vai konkrēts algoritms tiek izmantots reti vai arī kombinācijai ir jāpievieno jauns, lai labāk apstrādātu noteikta veida datus.
Prediction API ir potenciāls, lai kļūtu par izlīdzinātāju starp reģistrētiem uzņēmumiem un mazākiem jaunizveidotiem uzņēmumiem, saka Pīts Vordens, bijušais Apple inženieris, kurš tagad strādā pie sava jaunuzņēmuma. OpenHeatMap.com . Tā ir bijusi konkurences priekšrocība lieliem uzņēmumiem, piemēram, Amazon, kuru produktu ieteikumi ir balstīti uz mašīnmācību, viņš skaidro. Tagad jums joprojām ir jābūt pienācīgam apmācības datu kopumam, taču jums nav jābūt tādam pašam zināšanu līmenim.
Wardenam vēl ir jāiegūst piekļuve Prediction API, taču viņš plāno to izmantot, lai uzlabotu pakalpojums, ko viņš uzbūvēja kas parāda, kur atrodas cilvēki, kuri pakalpojumā Twitter izmanto noteiktu vārdu vai frāzi. Būtu patiešām interesanti arī redzēt, kur viņi saka pozitīvas un negatīvas lietas par kādu tēmu, saka Warden. Viņš saka, ka prognozēšanas API varētu apmācīt atšķirt pozitīvos un negatīvos tvītus.
Kriss Beitss, datu zinātnieks ar tiešsaistes mūzikas pakalpojumu Grooveshark un priekšskatījuma programmas dalībnieks piekrīt, ka Google melnā kaste ļaus plašāk izmantot mašīnmācīšanos, taču viņš apgalvo, ka pakalpojumam ir jāpilnveidojas. Viņš saka, ka mūsdienās labi var prognozēt, kurā valodā ir teksts, kā arī sentimenta analīzi, piemēram, lai izdalītu pozitīvas un negatīvas atsauksmes.
Tomēr galu galā, ja nespēj pārbaudīt algoritmu iekšējo darbību un precizēt tos konkrētam lietojumam, var būt savas robežas. Tas ir piemērots gadījumiem, kas nav kritiski svarīgi, kur varat atļauties dažus viltus pozitīvus rezultātus, saka Beitss. Piemēram, surogātpasta filtrs, kas laiku pa laikam laiž cauri nevēlamo ziņojumu, joprojām var būt lietojams, taču kredītkaršu uzņēmums var mazāk pieņemt kļūdas.