Новая программа — новые цели

Карсон Холгейт готовиться стать ниндзя.

Нет, речь идет не о боевых искусствах, в которых девушка преуспела: в свои 26 она может похвастаться черным поясом по тхэквондо. Карсон стала участницей программы, ориентированной на вовлечение программных инженеров в машинное обучение (ML) — еще более мощную практику, чем единоборства. Будучи Android-разработчиком корпорации Google, Холгейт посчастливилось стать одним из 18 участников кампании Machine Learning Ninja Program, в ходе которой талантливые программисты покидают свою команду, чтобы работать в проектах, способных помочь квалифицированным кадрам понять, как с помощью искусственного интеллекта можно сделать их продукты «умнее». Результат достигается, даже если некоторые методы усложняют понимание кода.

Рисунок 1. Карсон Холгейт, программный инженер Google, находится в центре развития новой программы по машинному обучению
«Слоган программы „Хотите ли вы стать ниндзя в машинном обучении?“», — говорит Кристин Робсон, product-менеджер Google в сфере машинного обучения и по совместительству один из кураторов проекта. «Мы приглашаем людей из разных отделов корпорации, чтобы лучшие кадры на протяжении 6 месяцев чувствовали себя частью ML-команды и, работая бок-о-бок с наставниками, смогли получить должную теоретическую и практическую базу, чтобы в итоге создать связанный с машинным обучением проект», — добавляет К. Робсон.

Для Холгейт, которая пришла в Google 4 года назад с дипломом по информатике и математике, это реальный шанс освоить горячо обсуждаемую парадигму мира программного обеспечения: как с помощью обучающих алгоритмов и сотен терабайтов данных «научить» ПО решать поставленные задачи? В течение многих лет машинное обучение считалось специальностью, которая доступна очень узкому кругу инженеров. Эта эпоха подошла к концу. Как показали недавние исследования, путь к наделению компьютеров человеческими, а в некотором плане и сверхчеловеческими знаниями, лежит через использование нейронных сетей, имитирующих поведенческую модель головного мозга. В Google стремятся к расширению круга специалистов, способных выжать из машинного обучения максимум. Для инженеров вроде Холгейт, Machine Learning Ninja Program является возможностью пройти обучение у лучших из лучших и оказаться в авангарде разработчиков. «Эти люди создают какие-то смешные модели и при этом имеют научные степени», — говорит девушка с беспокойством в голосе. Ей также не понравилось то, что студентов новой программы называют не иначе как ниндзя. «Сначала я насторожилась, но со временем приняла и это», — уверяет Холгейт.

Точка зрения руководства корпорации на Machine Learning

Учитывая огромное количество людей, работающих в Google (примерно половина из 60 000 трудящихся — инженеры), проект можно считать крошечным. Однако эта программа символизирует когнитивные изменения в компании. И хотя машинное обучение давно стало неотъемлемой частью корпорации из Маунтин-Вью (Google является лидером по приему ML-специалистов), начиная с 2016 года, технический гигант стал одержим идеей популяризации данной области ИИ. В ходе конференции, посвященной доходам за последний квартал 2015 года, генеральный директор Google Сундар Пичаи рассказал о корпоративном образе мышления. «Машинное обучение — это ключ. Это то, что способно преобразовать все, что мы делаем. Сейчас мы стараемся так или иначе использовать ML во всех наших продуктах, будь то Google Search, YouTube или Google Play. Корпорация только начинает активную интеграцию, но совсем скоро мы будем применять машинное обучение в каждой области, причем на систематической основе».

Очевидно, что если Google планирует каждый продукт наделить ML-базой, для ее реализации нужны инженеры, разбирающиеся в практической методологии машинного обучения, которая сильно отличается от работы с традиционным применением языков программирования. «Машинное обучение — что-то новое в нашем мире. Это технология, которая строит сама себя», пишет в своей книге «Мастер Алгоритм» профессор Вашингтонского университета Педро Домингос. Написание систем на основе ML состоит из идентификации нужных данных, выбора правильного алгоритмического подхода и ряда проверок на работоспособность. В конечном итоге нужно просто (хотя для программистов это очень сложно) доверить системе выполнение задания.

«Чем больше будет людей, заинтересованных в решении задач в данной области, тем лучше будем становиться мы», говорит лидер большинства ML-проектов Google Джефф Дин. Согласно его оценкам, сегодня из около 25 000 инженеров корпорации, только «несколько тысяч» компетентны в машинном обучении, то есть примерно 10%. Дин говорит, что этот показатель необходимо устремлять к 100%. «Здорово, если бы каждый инженер имел, по крайней мере, малейшее представление о машинном обучении», — рассуждает специалист. Считает ли он, что это произойдет? «Мы собираемся попробовать».

В течение многих лет Джон Джанандреа был главным промоутером Google на поприще машинного обучения, а сейчас он занимает пост главы отдела поиска. Но когда Джанандреа прибыл в компанию в 2010 году (это произошло вместе с приобретением MetaWeb — большой базы данных из людей, мест и вещей, которая теперь интегрирована в Google Поиск как Граф знаний), у него не было большого опыта в работе с машинным обучением или нейронными сетями. Тем не менее, в 2011 году Джанандреа заинтересовали новости, приходящие из конференции «Нейронные системы обработки информации» (NIPS). Казалось, что каждый год в рамках NIPS какая-то команда разработчиков будет объявлять о ML-решениях, которые затмевают предыдущие попытки решения той или иной проблемы, будь то дилемма в области перевода, распознавание голоса или дополненной реальности. «Когда я впервые посмотрел конференцию, эта NIPS мне показалась неясной», — рассказывает глава отдела поиска Google. «Но машинное обучение плотно вошло во многие отрасли промышленности и науки за последние 3 года. Я думаю, что на последней NIPS было около 6 000 участников».

Рисунок 2. Джефф Дин — человек, который разрабатывает ML-инструменты и возглавляет команду по машинному обучению
Улучшенные алгоритмы на базе нейронных сетей наряду с более мощными вычислениями, основанными на следствиях из закона Мура, и экспоненциальным ростом данных, которые были получены исходя из активности огромного числа пользователей компаний вроде Google и Facebook, поспособствовали началу новой эры машинного обучения. Джон Джанандреа присоединился к тем, кто верил, что ML должно занимать центральное место в компании. К этой когорте специалистов принадлежит и Джефф Дин, приложивший руку к созданию Мозга Google — проекта на основе нейронных сетей, который используется в исследовательском подразделении под названием Google X (сегодня просто X).

То, что Google медвежьей хваткой вцепился в машинное обучение, ознаменовывает не просто сдвиг в технике программирования. Это декларация приверженности к методам, которые откроют до недавнего времени недостижимые возможности компьютеров. Основу данных методов составят алгоритмы глубинного обучения на базе сложных нейронных сетей — тех самых, которые применяются Google Brain. Мозг Google являет собой результат усилий специалистов в сфере глубинного изучения, и DeepMind, ИИ-компания, которую Google приобрел в январе 2014 года за $500 млн, концентрируется на его усовершенствовании. Именно DeepMind создала систему AlphaGo, которой удалось обыграть чемпиона по игре в Го, заставив тем самым понервничать людей, боящихся появления умных машин и роботов-убийц.

Примеры использования машинного обучения в Google

Джон Джанандреа говорит, что приверженцы теории «ИИ — это то, что нас убьет» — просто неосведомленные люди. Он утверждает, что системы машинного обучения дадут толчок глобальным преобразованиям абсолютно во всех сферах: от постановки медицинских диагнозов и до вождения автомобиля. Другими словами, машинное обучение не заменит людей, но оно изменит человечество.

В качестве примера того, как работает ML в корпорации, Джанандреа рассказывает о Google Фото, сервисе, отличительная возможность которого практически сверхъестественна или даже тревожна. Речь идет о возможности найти что-то конкретное, что задал пользователь. Глава отдела поиска просит показать изображения с бордер-колли. «Когда люди видят работу сервиса впервые, им кажется, что происходит что-то непонятное, ведь компьютер не только выдает предпочтительный результат или предлагает посмотреть видео. Он по-настоящему понимает, что изображено на картинке», — говорит Джанандреа. Специалист объясняет, что во время поискового процесса, компьютер «знает», как выглядит эта порода, и Google Photos покажет изображения как старого бордер-колли, так и собаки в возрасте несколько месяцев; как длинноволосого пса, так и только что подстриженного. Конечно, это может сделать человек. Но ни один из нас не смог бы разобраться в тоннах изображений и десятках тысяч пород собак менее чем за секунду. Если система изучает 1 породу, она может использовать ту же технику для идентификации остальных 9 999. «Собственно, это и есть главная новинка. Неудивительно, что работа даже в узких областях дает сверхчеловеческую производительность», — делится впечатлениями Д. Джанандреа.

Безусловно, концепции машинного обучения уже давно поняли в Google, не в последнюю очередь благодаря тому, что соучредители корпорации на протяжении всей жизни верят в силу искусственного интеллекта. ML стало неотъемлемой частью многих продуктов технического гиганта, хотя не всегда основу составляют нейронные сети (ранее машинное обучение часто базировалось на простом статистическом подходе).

Первые попытки интеграции ML

Интересно, что более 10 лет назад Google проводил собственные курсы по обучению инженеров практической методологии ML. В начале 2005 года Питер Норвиг, который позже отвечал за поисковую систему, предложил пригласить в качестве научного сотрудника Дэвида Пабло Кона, чтобы тот оценил, может ли Google принять участие в курсе по машинному обучению от университета Карнеги-Меллон. Кон пришел к выводу, что наилучшим решением для корпорации станет проведение внутреннего курса, ведь Google работает в таком масштабе, как ни одна другая организация (за исключением Министерства Обороны США). Именно поэтому он зарезервировал большую комнату в здании № 43 (позже это строение стало штаб-квартирой команды Google Search) и проводил двухчасовые занятия каждую среду. Даже Джефф Дин побывал на нескольких лекциях. «Это были лучшие занятия в мире. Там было очень много специалистов лучше меня!», — уверяет Д. П. Кон. Курсы были настолько популярными, что стали практически неконтролируемыми. Люди в офисе Бангалор уходили с занятий далеко за полночь. Через пару лет занятий, некоторые сотрудники помогли записать лекции на видео — и очные курсы прекратились. Кон полагает, что именно эту практику можно считать предшественником Массового открытого онлайн-курса (MOOC).

В течение следующих нескольких лет в корпорации прибегали к использованию различных методик обучению ML, но их нельзя было назвать комплексными и слаженными. Д. П. Кон покинул Google в 2013 году, как раз тогда, когда сказал, что машинное обучение «внезапно станет очень важной вещью».

Это понимание было недостаточно оценено в 2012 году, когда Джанандреа предложил «собрать кучу людей, которые работают с этим материалом» и позволить им сотрудничать всем вместе. «Мы выбрали несколько команд разработчиков и собрали их всех в одном здании. Люди, которые недавно работали с тем, что мы относим к восприятию (распознавание голоса и звука), теперь находят точки соприкосновения с работающими на языке инженерами», — говорит он.

Машинное обучение — ключ к новым возможностям

Старания инженеров Google в сфере машинного обучения все чаще находят отражение в самых популярных продуктах корпорации. Так как ключевыми областями ML является дополненная реальность, распознавание голоса и перевод, неудивительно, что технологии машинного обучения занимают огромную часть в голосовом поиске, переводчике и сервисе Photos компании Google. Но еще более поразительным является стремление ребят из Маунтин-Вью использовать ML везде. Джефф Дин говорит, что так как он и его команда начали лучше понимать «фишки» машинного обучения, они используют ML более амбициозными способами. «Раньше мы могли бы применять машинное обучение в нескольких субкомпонентах системы. Сейчас же мы по-настоящему используем его ресурс, чтобы модернизировать целые системы, а не пытаться сделать лучше конкретные составляющие», — уверяет лидер большинства ML-проектов Google. Если бы Дин, который известен как один из основателей систем вроде BigTable и MapReduce, в корне изменил структуру деятельности корпорации, то большинству сотрудников пришлось бы не программировать, а учиться новому.

Рисунок 3. Грег Коррадо, один из основателей Мозга Google, работает с различными командами инженеров для интеграции искусственного интеллекта в ПО

Smart Reply — детище машинного обучения

Машинное обучение наделяет программные продукты возможностями, которые раньше тяжело было реализовать. Пример — Smart Reply — функция, реализованная в Gmail в ноябре 2015 года. Идея создания этой «фишки» зародилась во время разговора Грега Коррадо, одного из основателей Мозга Google, и инженера корпорации по имени Балент Миклош. Коррадо ранее работал с командой Почты Google, помогая использовать алгоритмы машинного обучения для «отлова» спама и идентификации e-mail-адреса, однако Миклош предложил нечто радикально новое. Что если использовать ML для автоматической генерации ответов на сообщения, тем самым сохраняя время пользователей мобильных устройств? «Я на самом деле был ошарашен от такого предложения, потому что мне оно показалось сумасшедшим. Но потом я подумал, что если мы будем использовать предикативные нейронные сети, то это не так уж невероятно. И как только мы поняли, что есть хотя бы один шанс, мы должны были попробовать воплотить эту идею в жизнь», — говорит Г. Коррадо.

Корпорация значительно повысила шансы на реализацию амбициозного проекта, установив тесный контакт между Коррадо и его командой с группой инженеров Gmail. Подход, когда специалисты по машинному обучению вливаются в различные команды разработчиков, становится все более распространенным. «ML — это такое же искусство, как и вся наука в целом. Я бы сказал, что машинное обучение похоже на кулинарию: в процессе приготовления пищи задействована химия, там происходят разные реакции, но чтобы сделать что-то интересное, вам необходимо знать, как лучше всего скомбинировать имеющиеся ингредиенты», — уверен один из основателей Мозга Google.

Традиционные ИИ-методы понимания языка базируются на внедрении правил этого языка в систему, но в этом проекте, как и во всех современных системах машинного обучения, система просто получает достаточное количество данных, чтобы «понять» все самостоятельно, прямо как это делают дети. «Я научился разговаривать, слушая других людей, а не занимаясь с лингвистом», — отмечает Коррадо. Идея создать не виртуальную Скарлетт Йохансон из фильма «Она», а реализовать технологию, которая бы генерировала правдоподобные ответы на реальные письма, обрекла Smart Reply на успех. «Успех — это когда система предлагает отправить текст, который люди находят достаточно полезным, чтобы использовать его в качестве ответа на сообщение», — уверен специалист. Таким образом, система самообучается, анализируя, нажимают или нет пользователи на предложенные ответы.

Когда команда разработчиков начала тестировать Smart Reply, пользователи заметили один весьма странный баг: система часто предлагает неуместные ответы романтического характера. «Одним из признаков того, что Smart Reply запутался и не находит подходящих вариантов, было предложение ответить „Я люблю тебя“. Это не ошибка ПО: это была наша ошибка, потому что мы запрограммировали систему на такое поведение», — говорит Коррадо. Программа каким-то образом изучила тонкий аспект человеческого поведения. «Если пользователь загнан в угол, то ответ „Я люблю тебя“ — это своего рода оборонительная стратегия», — отмечает один из создателей системы.

Вокруг технологии Smart Reply наблюдается ажиотаж среди пользователей приложения Gmail Inbox. Система предлагает выбрать 1 из 3 вариантов ответа на сообщение, чтобы отправить адресату текст в одно касание. В корпорации подсчитали, что на данный момент каждый 10-й ответ среди пользователей Gmail Inbox создан при помощи машинного обучения. «Меня до сих пор удивляет то, что это работает!», — смеется Коррадо.

Machine Learning в «Поиске Гугл»

Smart Reply — это всего лишь одна точка на графике проектов Google, в которых машинное обучение доказало свою эффективность. Но, пожалуй, переломный момент наступил, когда ML стало неотъемлемой частью Поиска Google, который является главным продуктом корпорации и приносит большинство доходов. Поисковая машина всегда использовала искусственный интеллект в той или иной мере. Большинство основополагающих алгоритмов компании (те, которые отвечали за выдачу так называемых «десяти синих ссылок» в поисковом запросе) были признаны важными для новых ML-алгоритмов. «Поиск занимает огромную часть компании, поэтому система ранжирования развита на высоком уровне», — говорит Джанандреа.

Амит Сингхал, многолетний глава отдела поиска, был приверженцем Джеральда Салтона — известного компьютерного ученого, чья новаторская работа по восстановлению документов вдохновила Сингхала взглянуть на выпускной код Брина и Пейджа под другим углом, чтобы трансформировать имеющиеся наработки во что-то, что может найти применение в современной веб-эпохе. Он достиг удивительных результатов благодаря этим методам XX века, и с подозрением относился к интеграции учащихся в сложную систему корпорации, которая составляла фундамент Google. «Мои первые 2 года в Google прошли в поиске методов использования машинного обучения для улучшения ранжирования поиска. Оказалось, что интуиция Амита чуть ли не лучшая в мире, и мы приняли верное решение, отдав предпочтение его методу. Мы не смогли найти ничего лучше его подхода».

К началу 2014 года, ведущие специалисты по машинному обучению корпорации Google считали, что грядут серьезные изменения. «У нас было несколько конструктивных разговоров с командой по ранжированию», — говорит Дин. «Мы решили, что для начала следует хотя бы попробовать, а потом посмотреть, есть ли какой-то результат». Эксперимент, о котором идет речь, оказался главным параметром поиска: отбор наиболее релевантных конкретным запросам страниц из миллиардов других, доступных поисковому алгоритму.

Эта система получила название RankBrain и сейчас является частью поискового алгоритма «Колибри». Запуск состоялся в октябре 2015 года. В Google уклоняются от прямых ответов на вопрос о том, как именно RankBrain совершенствует поиск (возможно, улучшает распознавание неоднозначных поисковых запросов), но Дин уверят, что система «участвует в каждом запросе», а также влияет на фактическое ранжирование «наверное, не каждого запроса, но многих из них». Кроме того, это очень эффективно. Среди сотен «сигналов», используемых корпорацией при расчете ранжирования («сигналом» может быть местоположение пользователя или соответствие заголовка страницы тексту поискового запроса), RankBrain занимает 3-е место по важности.

«Достижение успеха в алгоритмах поиска именно с помощью машинного обучения — значительное для корпорации событие. Благодаря этому, многие люди обратили на ML больше внимания», — говорит Джанандреа. Профессор Вашингтонского университета и автор вышеупомянутой книги «Мастер Алгоритм» Педро Домингос так комментирует сложившуюся на рынке ситуацию: «В сфере поиска всегда было противостояние между приверженцами старой школы и сторонниками машинного обучения. ML-специалисты, наконец, взяли свое».

Google: «Задача № 1 — познакомить всех с машинным обучением»

Следующее задание для Google — сделать так, чтобы основная масса инженеров если не стала адептами машинного обучения, то, по крайней мере, разбиралась бы в базовой практической методологии ML. Эту цель преследуют и другие масштабные корпорации, в частности Facebook, которая ищет специалистов по машинному и глубинному обучению. В области искусственного интеллекта ведется серьезная борьба за вчерашних выпускников университетов, и Google изо всех сил старается сохранить лидерство по количеству наемных ML-специалистов. В научных кругах даже шутят, что корпорация из Маунтин-Вью приглашает на работу лучших студентов, даже если не нуждается в них: просто, чтобы они не достались никому другому. «Мои студенты, не важно, в какой области они работают, всегда получают приглашение от Google», — утверждает П. Домингос. Похоже, детище Брина и Пейджа не намерено сбрасывать обороты. В июне 2016 года Google анонсировала открытие нового исследовательского центра по машинному обучению в Цюрихе и, соответственно, подготовила целый перечень новых рабочих мест.

Но так как учебные программы еще не обеспечивают должного количества специалистов по ML, переобучение имеющихся сотрудников становится необходимостью. А это не всегда легко, особенно в такой компании, как Google, ряды которой наполняют программные инженеры мирового уровня, потратившие всю жизнь на обучение с помощью традиционного программирования.

Каков он, идеальный Machine Learning-программист?

Машинное обучение требует иного мышления. Хорошие программисты часто обладают нестандартным ходом мысли, потому что только так они могут получить полный контроль над программируемой системой. Специалист по машинному обучению не обойдется без понимания определенных разделов математики и статистики, о которой многие разработчики не имеют малейшего представления.

Рисунок 4. Кристин Робсон трудится над внедрением работников Google и сторонних инженеров в методы машинного обучения
И, конечно же, ML-специалист должен обладать терпением. «Построенная на принципах машинного обучения модель — это не статический кусок кода, а структура, которую постоянно нужно снабжать данными», — рассказывает Кристин Робсон. «Мы постоянно совершенствуем наши модели, „подкармливая“ их данными и корректируя алгоритмы, отвечающие за предикативные функции. Это похоже на живой организм, который живет и дышит. Это что-то совершенное иное в мире инженерии».

«Данная дисциплина подразумевает проведение экспериментов с различными алгоритмами и выбор того объема и типа информации, которая понадобится для решения конкретной задачи», — говорит Джанандреа, который, несмотря на свою новую должность главы отдела поиска, считает обязанностью лоббировать внутри корпорации идеи машинного обучения. «В машинном обучении компьютерная составляющая не отходит на второй план. Но математике и статистике уделяется больше внимания, чем написанию полумиллиона строчек кода».

Именно по этой части корпорация планирует провести серьезную образовательную работу. «В конце концов, математика, используемая в ML, не настолько сложная. Нужные разделы без проблем освоит большинство инженеров Google», — уверяет Дин.

Не курсами едиными: как Google увеличивает штат Machine Learning-специалистов

Чтобы сохранить темпы роста кадров в сфере машинного обучения, Google разработала мощный набор инструментов, который поможет специалистам сделать правильный выбор моделей, применяемых для тренировки ML-алгоритмов. Наиболее мощный инструмент — TensorFlow, система, ускоряющая процесс построения нейронных сетей. Она является частью проекта Мозг Google и была изобретена Джеффом Дином совместно с Раджатом Монга. Система TensorFlow помогла сделать машинное обучение более понятным путём стандартизации деталей, участвующих в построении системы. С ноября 2015 года библиотека имеет открытый исходный код.

В то время как корпорация трудится на благо общественности, популяризируя и развивая машинное обучение, в Google не отрицают, что новое поколение программистов, знакомое с внутренними ML-инструментами, совсем скоро займет очень большую часть в списках HR-менеджеров компании из Маунтин-Вью. Скептики отмечают, что TensorFlow играет роль догоняющего относительно Torch — сборки учебных модулей по глубинному обучению, выпущенной на 10 месяцев ранее, то есть в январе 2015 года. Тем не менее, «фишки» и постоянная поддержка со стороны Google, быстро сделали TensorFlow популярной системой в кругах ML-программистов. Согласно Джанандреа, к первому онлайн-курсу TensorFlow присоединилось 75 000 человек.

У корпорации есть масса предложений и для своих собственных разработчиков. Google располагает, пожалуй, уникальным набором ML-инструментов, не последним из который является инновационный продукт, используемый несколько лет, но анонсированный только в мае 2016 года — Tensor Processing Unit. Это интегральная схема специального назначения (ASIC), предназначенная для решения специфических задач программ, разработанных на машинном языке. Тысячи таких микропоцессоров находятся в серверах датацентров корпорации. Благодаря поддержке операций с нейронными сетями, TPU дают Google огромное преимущество. «Мы бы не смогли создать RankBrain без этой ASIC», — говорит Дин.

Google испытывает необходимость в людях, которые бы создавали и поддерживали эти системы. Вместе с работой по совершенствованию программно-обучающих инструментов, компании удается совместить это дело с экспериментами по подготовке ML-инженеров. Они могут быть как незначительными, так и довольно масштабными. Последний такой эксперимент включал в себя двухдневный «Ускоренный курс машинного обучения с TensorFlow». В руководстве корпорации надеются, что подобный подход даст толчок, и инженеры впоследствии будут сами искать источники познания новой информации. «На следующий такой курс подписались уже тысячи людей», — уверяет Джефф Дин.

Другие, менее крупные проекты нацелены на привлечение сторонних ML-специалистов в корпорацию. Ранее весной этого года, Google запустила Brain Residency — программу, целью которой является привлечение перспективных сотрудников после года интенсивных занятий внутри команды Мозга Google. «Мы считаем Brain Residency началом скачка в карьере по глубинному обучению», — говорит К. Робсон, которая помогает управлять программой. Вполне возможно, что кто-то из 27 обучающихся разным ML-дисциплинам останется в Google. Однако ключевая цель годичных занятий направлена на то, чтобы специалисты распространили версию видения машинного обучения по всей корпорации.

Так что, в некотором смысле, то, что Карсон Холгейт изучает в течение курса Machine Learning Ninja Program, является основным средством для сохранения корпорацией Google статуса доминирующей ИИ-ориентированной компанией в мире, где машинному обучению отводится центральная позиция.

Программа началась с 4-недельных занятий с разработчиками наиболее значимых для Google ИИ-проектов. На протяжении месяца специалисты демонстрировали учащимся все тонкости интеграции машинного обучения в программные продукты. «Мы располагаем наших „ниндзя“ в конференц-зале, где Грег Коррадо на маркерной доске объясняет все о долгой кратковременной памяти (LSTM) (с ее помощью создаются мощные нейронные сети), расписывая, как она работает на самом деле, зачем здесь нужна математика, и как это использовать в прикладных задачах», — рассказывает Робсон. «В основном подобные 4-недельные тренинги проходят по каждому нашему инструменту, чтобы максимально полно показать сотрудникам, с чем они имеют дело».

Месяц мозгового штурма ИИ-технологиями у Холгейт позади, и теперь она использует инструменты машинного обучения для совершенствования функций связи в ОС Android. Она настраивает гиперпараметры, чистит входные данные и отлавливает стоп-слова. И, по ее словам, Холгейт даже не хочет смотреть в прошлое, потому что знает, что эти методы искусственного интеллекта являются настоящим и будущим компании Google. Возможно, это утверждение справедливо для технической сферы в целом или вообще для всего вокруг.

ОСТАВЬТЕ ОТВЕТ