Self driving apps: using machine learning and AI in your apps – Playtime San Francisco 2017

알았어 우선 여기에와 주셔서 대단히 감사합니다

내 이름은 케빈이야 그리고 오늘, 몬타나와 나는 가고있다 기계 학습에 관해서 당신과 이야기하기 자, 이것은 처음이 아닐 수도 있습니다 Google 토크에서 다른 사람의 이야기를 들었습니다

기계 학습에 관해서 우리는 그것에 대해 많이 이야기합니다 사실, 우리의 CEO 인 Sundar는 말하자면 우리는 모바일 첫 번째 세상에서 AI 첫 번째 세상 그러나 개발자와 이야기 할 때 질문은 우리가 가장 자주 생각하는 방법은 비즈니스 컨텍스트 내에서 기계 학습에 관한 정보 물론, 그들은 AlphaGo에 대해 들었습니다

또는 Google 포토를 사용했습니다 그러나 그들이 시작할 수있는 실제적인 방법은 어떨까요? 오늘 기계 학습으로? 이제 우리는 오늘 이곳에 다양한 청중을두고 있습니다 비즈니스맨과 제품 관리자, 디자이너 및 개발자 여러분 중 일부는 기계 학습의 전문가 일 수 있습니다 다른 사람들은 아마도이 용어를 들었을 것입니다

하지만 어디서부터 시작해야할지 잘 모르겠다 또는 모든 소란이에 관한 무엇 그래서 우리는 대화를 두 부분으로 나눌 것입니다 내 것은 꽤 짧을 것이다 나는 높은 수준의 실용적인 개요를 제공 할 것입니다

모두가 문맥을 가지고 있는지 확인하는 기계 학습 몬타나의 섹션 몬타나는 인스 타카 트 (Instacart) 기계 학습과 실제 문제를 사용합니다 그들이 ML을 사용하여 해결할 수 있습니다 시작하겠습니다 그래서 첫 번째 질문은 왜 기계 학습을 사용하는 것입니까? 그리고 이것을 대답하기 위해, 나는 아주 간단한 예를 드리고 싶습니다

내가 너에게 글쓰기를 요청한다면 어떨까? 그 차이를 알려주는 프로그램 사과와 오렌지 사이에? 수동 규칙을 작성하여 시작할 수도 있습니다 예를 들어 주황색 픽셀의 수를 계산하면 이미지에서 녹색 픽셀 수 대 비율을 비교하십시오 그리고 그것은이 두 이미지를 위해 작동 할 것입니다 그러나 수동 규칙 작성시 문제 그것이 확장되지 않는다는 것입니다 그리고 당신이 생각해내는 모든 규칙에 대해, 그 규칙을 어기는 예를 찾을 수 있습니다

예를 들어, 내가 당신에게 이미지를 주면 어떨까요? 흑인과 백인이었습니다 아니면 녹색 사과 대신에, 빨간 사과 이미지를 줬어? 이러한 모든 예외에 대한 설명 이 모든 규칙을 작성하면 많은 코드가 필요합니다 그리고 제가 앞으로 비슷한 문제를 제기한다면, 나에게 라즈베리의 차이점을 말해줘 그리고 딸기, 당신은 처음부터 다시 시작할 필요가 있습니다 분명히 더 좋은 방법이 있어야합니다

수동 규칙에 의존하는 대신, 기계 학습은 예제를 통해 학습합니다 그리고 기계 학습 모델이 작동하는 일반적인 방법은 당신은 일련의 입력을받습니다 -이 경우 레이블이 붙은 이미지들입니다 당신은 그들을 기계 학습 모델에 넣습니다 이 경우, 길쌈 신경 네트워크 그리고이 모델은 예측을합니다

예측이 틀린 경우 어떻게됩니까? 실제로 모델을 약간 조정합니까? 그것을보다 정확하게 만들기 위해서 일반적으로 더 많은 데이터가 기계 학습 모델에 넣을수록 더 정확해진다 그것은 될 것입니다 이게 당신이 할 수있는 것은 다음과 같습니다 완전히 레이블이 지정되지 않은 새로운 데이터 집합을 가져올 수 있습니다

그것을 기계 학습 모델에 넣고, 모델은 당신에게 이것은 오렌지 또는 사과입니다 자, 여기서 좀 더 단순화하고 있습니다 몬타나, 제발 날 죽이지 마세요 그러나 일반적으로 시스템의 워크 플로를 생각할 때 학습을 위해서는 실제로 따라야 할 세 단계가 있습니다 첫 번째는 데이터를 수집하는 것입니다

그렇다면 데이터는 무엇을 의미합니까? 데이터는 다른 형태로 제공됩니다 데이터는 이미지 또는 오디오 일 수 있습니다 데이터베이스 또는 스프레드 시트의 숫자 일 수 있습니다 그것은 구조화 될 수 있거나 구조화 될 수 없습니다 특히 데이터 수집 단계는 – 그것으로, 나는 데이터의 양, 데이터의 질, 어쩌면 모델에 포함 시키도록 선택한 기능 – 점점 더 힘들어하는 단계입니다

기계 학습으로 시작되었습니다 개발자와 이야기 할 때 이것이 가장 큰 장애물입니다 그들은 극복해야한다 몬타나는 이것에 대해 조금 더 이야기 할 것입니다 잠깐

두 번째 단계는 모델을 선택해야한다는 것입니다 모델도 다른 풍미가 있습니다 깊은 학습 모델과 얕은 학습 모델이 있습니다 사전 제작 된 모델 또는 모델이 있습니다 당신이 직접 만들 수 있습니다

라벨링 된 데이터가 필요한 모델과 하지마 이것은 종종 내가 생각하는 단계입니다 기계 학습을 처음 접하는 개발자 에 의해 가장 두려워한다 그러나 진실은 가장 일반적인 기계 학습 과제를위한 것입니다 사용할 수있는 오픈 소스 모델이 있습니다

따라서 모델을 선택하면 무엇에 대해 생각해야합니까? 첫 번째 문제는 해결하려는 문제는 무엇입니까? 다양한 문제에 대해 서로 다른 ML 모델이 있습니다 둘째, 어떤 데이터를 처리 할 수 ​​있습니까? 세 번째는 다른 고려 사항입니다 있니? 예를 들어 대기 시간 요구 사항이 있습니까? 기기 기계 학습에 사용해야 할 수도있는 곳, 또는 계산 제한이 있습니까? 마지막 단계는 예측하고 조정하는 것입니다 자, 튜닝은 당신의 세련미에 달려 있습니다 내가 말한 것처럼 당신이 기계 학습에 익숙하지 않다면, 당신이 사용할 수있는 모델이 많이 있습니다

전혀 조정할 필요가 없습니다 그러나 당신이 더 세련되면, 모델을 조정할 수있는 것들이 있습니다 보다 정확해질 수 있습니다 그래서 훌륭합니다 실제 사용 사례는 어떻습니까? 기계 학습이 실제로 해결할 수있는 문제는 무엇입니까? 그래서 몇 가지 유스 케이스를 생각은이 방에있는 사람들에게 폭넓게 적용될 수 있습니다

이것은 포괄적 인 목록이 아닙니다 정말 기계 학습의 아름다움 그것은 많은 종류의 문제를 해결할 수 있다는 것입니다 나는 또한 어떤 경우에는, 여러 가지 방법으로 이러한 문제 중 일부를 해결할 수 있습니다 그러나 사용할 수있는 하나의 프레임 워크 어떤 문제에 대해 생각할 때 특정 비즈니스를 해결할 수 있습니다 어떤 종류의 데이터를 사용할 수 있는지부터 시작하는 것입니다

고품질의 라벨 데이터가있는 경우, 감독 학습이라는 것을 할 수 있습니다 그리고 감독 학습 종류에는 두 개의 버킷이 있습니다 첫 번째는 분류입니다 이미지를 식별하십시오 두 번째는 회귀 – 게임 개발자를 위해 어쩌면 LTV를 예측하거나 예측할 수도 있습니다

주어진 거래가 사기 일 가능성 고품질의 라벨이 붙은 데이터가 없더라도, 우리는 무 감독 학습이라고 부르는 것을 여전히 수행 할 수 있습니다 작업 이것은 본질적으로 모델이 패턴을 추론 할 곳입니다 또는 공통점

그리고 클러스터링 또는 연관 모델을 사용할 수 있습니다 고객을 분류하는 것과 같은 일을하는 것 교차 판매 할 제품을 결정할 수 있습니다 구입시 그래서 나는 여기에 너무 많은 시간을 할애하지 않을 것입니다 몬타나에는 정말 좋은 예가 있습니다

그가 약 1 분 안에 공유 할 것입니다 시작하기 쉽습니다 내가 말했듯이, 미리 훈련되고 기성품이 많습니다 Google 클라우드 머신 학습을 사용하여 사용할 수있는 모델 API, 비전, 말하기, 번역, 자연 언어 또한 모든 사람들이 TensorFlow를 확인해 보도록 권합니다

TensorFlow는 동급 최강의 인기 제품입니다 오픈 소스 기계 학습 라이브러리 내부적으로 사용하는 코드와 동일합니다 Google 내부의 대부분의 프로젝트에서 마지막으로, 모바일 사용자이기 때문에, 우리가 너를 알리고 싶었어 모바일 전용 투자도 가능하게합니다

그래서 세 개의 빠른 플러그 – 첫 번째는 MR1의 경우입니다 올해 말에 출시 될 예정이며, 우리는 신경망을 발표 할 예정입니다 API를 사용하면 장치에서 하드웨어 가속을 사용할 수 있습니다 두 번째는 TensorFlow Lite입니다 Google I / O에서 올해 발표 한 우리는 또한 연말 전에 출시하기를 희망합니다

TensorFlow Lite는 본질적으로 TensorFlow입니다 스마트 폰 런타임에 최적화되어 있습니다 셋째, 최상위 수준의 API 세트를 연구하고 있습니다 일반적인 기계 학습 작업을보다 쉽게 ​​수행 할 수 있습니다 나는 또한 누군가가 기계에 대해 생각하는지 말하고 싶다

전혀 배우지 않고, 우리는 브라힘을 가졌습니다 안드로이드에서 기계 학습을위한 우리 PM, 뿐만 아니라 많은 엔지니어들이 나중에 교실에있게 될 것입니다 제발, 제발 찾아주세요 그들은 어떤 문제에 대해 듣고 싶어합니다 당신은 해결하고 대답하려고 노력하고 있어요

당신이 가진 모든 질문 그래서 저는 몬타나를 소개하고자합니다 누가 Instacart에 대해 이야기 할 것인가? 기계 학습을 사용합니다 [박수 갈채] 몬타나 로우 : 고마워, 케빈 그래서 나는 누군가에게 매우 복잡한 주제를 세 가지 간단한 단계로 요약 할 수 있습니다

나의 예술적인 친구는 내가 그들에게 물었을 때 더 잘했다 올빼미를 어떻게 그리나요? 글쎄, 그들은 먼저, 당신은 시작했다 원과 다른 원으로 그리고 이것은 머리와 몸의 일종입니다 그리고 그 빌어 먹을 올빼미를 그립니다 [웃음] 글쎄, 나는이 세 단계를 시도해 보려고한다

우리가 몇 가지 상위 레벨을 통과 할 때 감독 학습을 사용할 때의 개요 우리가 자율 학습을 사용할 때 Instacart에서 그리고 말의 끝에서, 우리는 자세한 기능 개발 사용 사례를 살펴보십시오 그리고 우리는 어떻게 시작하고 어떻게 마무리하는지 이야기 할 것입니다 시작하려면 Instacart가 어떤 맥락인지 알려 드리고 싶습니다 우리 사업이 어떻게 작동하는지 이해하게 우리가 기계 학습을 사용하는 이유 우리가 가진 어떤 문제라도 해결할 수 있습니다

우리는 당신이 사랑하는 상점에서 식료품을 배달합니다 1 시간 만에 우리는 개인 고객을 고객과 연결합니다 고객이 기대하는 서비스를 제공 할 수 있습니다 실시간

우리는 또한 수백 개의 소매 업체와 파트너 관계를 맺고 있습니다 우리가 그들의 상점에서 물색 할 수 있도록 전국에 우리는 할인 가격을 제공 할 수 있습니다 그렇게하면, 우리는 깊은 통합이 있습니다 우리는 우리의 웹 사이트에서 호스팅하는 제품 카탈로그를 가지고 있습니다

그리고이 시장에서의 제 4 자 실제 제품 제조업체입니다 우리는 고객들에게 할인, 쿠폰, 및 기타 인센티브를 제공합니다 그래서 이것의 핵심은 많은 양의 데이터가 앞뒤로 전달된다는 것입니다 많은 정당들 사이에서 그리고 실제로이 엔진을 운전하는 것 성장과 효율성 측면에서 깊은 기계 학습 모델입니다

고객 경험을 안내해 드리겠습니다 시작합니다 그들은 앱을 구매할 때 상점을 선택합니다 그들은 식료품 점을 찾습니다 그들은 앞서 가서 앱에서 체크 아웃합니다

우리는 모든 지불 정보를 저장했습니다 그래서 정말 쉽습니다 그들은 그들에게 편리한 배달 시간을 선택합니다 그 후에 우리는 가방에 넣었습니다 나는이 이야기에서 유일한 말장난이라고 약속한다

[웃음] 생각해 거래의 다른 측면에는 구매자가 있습니다 구매자는 언제 일을 할 수 있는지 알려줍니다 그들은 그것이 들어오는대로 명령을 인정할 것입니다 그 고객을 위해 모든 식료품 점을 골라야합니다

우리는 모든 항목을 스캔하여 정확성을 확인합니다 실제로 속도를 향상시키는 단계입니다 휴대 전화가 예 또는 아니오를 쉽게 알려주기 때문에 2 %, 1 %, 가벼운, 전체를 결정하려고 할 때 모든 라벨이 동일하게 보입니다 그래서 이것은 좋은 개선입니다

그리고 나서 구매자는 실제로 그것을 전달합니다 고객의 주소로 우리는 고양이와 개를 차별하지 않습니다 우리는 동등한 애완 ​​동물입니다 그러나 우리 팀 중 한 팀의 예를 보여 드리겠습니다 꽤 많이 배우는 기계를 사용합니다

Google의 검색 및 검색 팀입니다 모든 고객이 사용하는 점포의 힘입니다 제품을 다룰 때 검색에 대해 생각한다면 카탈로그, 검색 용어의 매우 사소한 변화 완전히 다른 결과 페이지가 있어야합니다 우유 결과 페이지에 표시되는 내용 초콜릿 우유 결과와 완전히 다른 것 페이지가 있어야하며 밀크 초콜릿과 다른 완성품이어야합니다 결과 페이지 텍스트 만 사용하는 것은 어렵습니다

그래서 우리가 기계 학습을 사용하는 한 가지 이유 더 많은 의미를 추출하고 더 적절한 결과를 제공하는 것입니다 기계 학습 문제의 시작 귀하의 모든 의견을 특정 기능으로 분해하는 것입니다 이 경우 우리 제품의 모든 기능을 사용할 수 있습니다 USDA인가요? 그것은 유기적입니까? 뚱뚱한 내용은 뭐니? 컨테이너의 크기는 얼마입니까? 이미지의 색상은 무엇입니까? 이 모든 것이 제품의 특징이됩니다 그래서 제품을 ID 나 이름으로 생각하지 않습니다

하지만 그들은 수십 개의 거대한 컬렉션입니다 또는 더 많은 기능을 제공합니다 그리고 이러한 모든 기능에 대한 중요한 점은 수치로 수치화 될 수 있다는 것입니다 색상은 빨간색, 녹색, 파란색 숫자를 지정할 수 있습니다 기계 학습 모델은 숫자로만 작동합니다

근본적으로, 그들은 산술의 모든 방법을 내려 따라서 일련의 기능으로 우유를 정량화 할 수 있다면, 모델에 숫자로 포함됩니다 그렇다면 우리는 실제로 진보 된 수학을 적용 할 수 있습니다 더 나은 검색 결과를 얻을 수 있습니다 그래서 우리가 실제로 검색 순위를 번역하는 방식입니다

감독 된 기계 학습 문제에 대한 문제 사용자가 검색을 추가 할 때의 신호를 사용합니까? 결과는 장바구니에 담겨있다 그들이 실제로 우리가 보여줄 무언가를 사기로 결정했다면 그들이 우유를 찾을 때 감독관이됩니다 이것은 올바른 검색 결과입니다 암시 적 음수 신호도 있습니다 우리가 페이지에 보여준 다른 모든 것들 그 (것)들에 확실히 우유 같지 않다

그래서 TensorFlow와 같은 라이브러리로 이것을 수행합니다 Kevin이 지적했듯이, 우리는 상황을 정말로 개선 할 수 있습니다 그리고 심지어 더 시원한 것은 우리가 새로운 소매점을 출시 할 때 카탈로그에 수백 가지 새로운 제품을 추가하십시오 매일 우리는 어떤 신제품이 또한 높을 것인가? 검색 결과가 즉시 표시되기 때문에 순위가 매겨집니다 그들의 제품 측면에서 볼 때, 개별 제품 역사에 관한 것이 아닙니다

따라서이 제품에는 유사한 기능이 있습니다 우유에 대한 평가가 높은 다른 것들 이 제품이 우유에 대해 높은 순위를 유지해야 함을 의미합니다 게다가 하나의 기계 학습 모델을 구축하면 당신은 좋은 모양의 데이터를 가지고 있습니다 그러면 다른 모든 신호에 대해 생각할 수 있습니다

너는 가지고있다 깊은 학습의 초능력 중 하나 트랜스퍼 학습이라고합니다 한 모델이 발전했다는 것을 이해할 수 있습니다 이 경우 검색 결과 모델입니다 이 특정 기능은 밀접하게 이해됩니다

"우유"라는 용어와 관련이 있거나,이 경우, 이 두 세트의 기능, 코카콜라와 펩시를 대표하며 밀접한 관련이있다 "콜라"라는 용어에 기능면에서 매우 유사합니다 우리는 그것들을 빼고 수학적으로 0을 얻을 수 있습니다 그러나 우리가 코카콜라와 펩시를 가질 때 우리가 보는 것은 사람들이 거의 추가하지 않는다는 것입니다 동시에 카트에

따라서이 두 제품이 엄청나게 비슷한 기능을 가지고 있습니다 그들은 동시에 카트에 추가되지 않으며, 경쟁력을 갖출 수 있습니다 이제는 머천다이징을 시작할 수 있습니다 우리의 모든 웹 사이트 그리고 사람들이 코카콜라를 볼 때, 사람들이 펩시를 볼 때 이러한 다양한 유형의 항목을 모두보고 있습니다

비슷합니다 우리는 매우 유사한 또 다른 신호를 취할 수 있지만 그 반대입니다 이 경우, 땅콩 버터와 젤리 동시에 카트에 종종 추가됩니다 그러나 그들은 매우 다른 기능을 가지고 있습니다 그래서이 지식을 사용하여 우리는 지금 어떤 기능이 유사한 지, 어떻게 작동하는지, 우리는 제품을 추천 할 수 있습니다

우리가 땅콩 버터를 장바구니에 넣는 것을보고 나면, 그러면 우리는 아마도 당신이 아마도 젤리를 잊어 버리고있어 그리고 그것은 다른 응용 프로그램입니다 처음부터 매장을 조직하는 것보다 이 모든 것은 우리가 사용자로부터 데이터를 수집해야하며, 우리 기계의 관리자 역할 지속적으로 달리고 복용하고있는 학습 알고리즘 시간 경과에 따른 새로운 데이터 나는 예제로 넘어 가고 싶다 케빈이 언급 한 자발 학습의 이것을 클러스터링이라고합니다

이 경우 우리는 반드시 대답으로 시작하십시오 우리 알고리즘을 훈련시키는 누군가가 필요 없어요 정답으로 우리는 질문으로 시작합니다 우리는 사용자가 누구인지, 무엇을 원하는지, 무엇이 그들에게 동기를 부여 하느냐 과거의 일부 사람들은 인구 통계 데이터를 사용했습니다

사용자 기반을 이해합니다 그러나 그것은 많은 경우에 부적절합니다 너는 얼마나 오래되었거나 너는 어떤 섹스이든 상관 없다 또는 당신이 말하는 때 당신이 몇 살인지 행동 주도 개발에 관해서 우리는 실제로 사용자를 분류하고 싶지 않습니다

이러한 피상적 인 특성들에 의해서가 아니라 앱을 실제로 사용하고 앱에서 가치를 얻는 방법에 따라 그것은 똑같은 방식으로 시작됩니다 우리는 사용자를 일련의 기능으로 나눕니다 사이트를 방문하는 플랫폼은 무엇일까? 그들이 사이트에 몇시에 올지 재미있는 것은 aolcom 이메일 주소입니다

gmailcom 이메일 주소와 크게 다릅니다 해당 사용자는 사이트에 참여하는 경향이 있습니다 하루 중 다른 시간대에 다르게 가입시에도 사용자에 대해 많이 알고 있습니다

그리고 그들이 어떻게 행동 할 것인가 감독되지 않은 학습 모델을 사용할 수 있습니다 이러한 사용자를 클러스터링하기 시작합니다 그리고 실제로 그것을 꺼내기 시작합니다 이 사람들의 집단

이 경우 3 개의 그룹을 요청했습니다 ~에서 지정한 유일한 매개 변수입니다 왜냐하면 나는 아마도 작고, 중간 정도의, 그리고 내 제품의 큰 버전 그리고 저는이 세 가지가 무엇이되어야하는지 결정하기를 원합니다 내 제품의 버전이 있어야합니다

이 경우 그룹 1이됩니다 녹색 사람들, 오렌지 사람들 인 그룹 2, 그리고 푸른 사람들 인 3 인조 우선, 감독되지 않은 모델 방금 청색 사람들에게 말했어 푸른 사람들과 매우 흡사합니다 오렌지 사람들은 오렌지 사람들과 매우 흡사합니다

그리고 녹색 사람들은 녹색 사람들과 아주 흡사합니다 하지만 그건별로 도움이되지 않습니다 내가해야 할 일은 깊은 분석을하는 것입니다 녹색 사람들 대 오렌지 사람들 일반 사용자 대 일반 사용자의 비율 베이스 그리고 제가 발견 할 수있는 것은 녹색 사람들입니다

유기농 식품 경향이있다 오렌지 사람들은 매운 음식을 선호하는 경향이 있습니다 그리고 푸른 사람들은 밤늦게 아이스크림을 정말 좋아합니다 냉동 피자와 이것이 기계 학습을 사용할 수있는 한 가지 방법입니다

우리가 어떻게 제품을 만들 계획을 세우는 지 사람들은 우리가 출범하기도 전에 참여할 것입니다 상세한 분석을하고 싶습니다 우리 제품 개발의 모습 이것은 식료품 점을 골라내는 경우입니다 우리는 식료품 점을 많이 먹습니다

시간의 엄청난 부분을 차지합니다 쇼핑객이 넘겨주는 엄청난 카탈로그가 있습니다 하나의 쇼핑 목록에 그들은이 모든 다른 가게에갑니다 결코 전에 없었을 수도 있습니다 결국 그들은 명령을 완료 할 것입니다

주문 당 10 초, 축척으로 20 초를 절약 할 수 있다면, 이것은 회사에 큰 도움이됩니다 그래서 우리는 속도를 향상시킬 수있는 많은 방법을 살펴 보았습니다 나는 바코드 스캐너를 언급했다 부수적 인 측정 기준이었습니다 그러나 우리가 이러한 일을 대규모로 할 때, 그것은 매우 어려워진다

우리는 가지고있다 우리가 파트너가되는 수백 개의 다른 소매 업체, 수백만 개의 제품, 수천 개의 상점 실제로 모든 단일 저장소를 배치하는 방법에 대한 데이터 구성 아웃은 엄청나게 도전적입니다 그래서 우리는 최고 경영자 (CEO)를 만나고 픽업 속도를 높입니다 우리가 할 수만 있다면 내가 말했다

경쟁사와 마찬가지로 단지 창고를 짓는거야? 그리고 우리는 모든 것이 어디에 있는지 알게 될 것입니다 로봇이 그렇게 할 수 있습니다 그리고 그것은 매우 빠를 것입니다 Apoorva는 안된다고 말했다 그것은 우리의 비즈니스 모델이 아닙니다

우리는 창고를 짓지 않습니다 우리는 상점 사람들처럼 가게 그래서 우리는 말했다, OK 어쩌면 우리는 각 개별 상점에 대한 더 많은 데이터를 얻을 수 있습니다 아마도 쇼핑 목록을 그런 방식으로 정렬 할 수 있습니다

쇼핑 시간을 단축 할 수 있습니다 그래서 우리는 주말 hackathon 프로젝트를 조금합니다 그리고 Rails 앱을 사용하면 우리는 아기 액세서리가있는 곳을 데리고 통로에 올려 놓습니다 상점의 번호 그리고 가게의 리드를 바꾼다

우리의 모든 범주를 끌어다 놓을 수 있습니다 순서대로, 그들이 말하는 것처럼 통로 15은 통로 14 다음에옵니다 통로 13 이후 그런 다음 쇼핑 목록을이 방법으로 배송하면 가지고있는 순서대로 물건을 넣을 수 있습니다 해당 상점에서 지정되었습니다 이것은 우리가 시작한 우리의 기본 통제입니다

당신이 알아 차리면 그것은 오른쪽으로 올라가고, 그것은 일반적으로 좋다 이 경우, 그 의미는 우리가 주문에 항목 추가, 항목 당 개별 시간 추가 내려 간다 그래서 개선 된 것입니다 상점에서 10 가지 항목을 쇼핑하고, 당신은 가게 전체를 걸어 다녀야 만합니다 단 10 항목 만 얻으십시오

당신이 상점에있는 50의 품목을 물색하는 경우에, 당신은 한 번만 전체 가게를 돌아 다닙니다 하지만 지금은 50 개의 항목이 있습니다 그래서 우리는 오랫동안이 사실을 알고있었습니다 우리 사업의 열쇠입니다 우리가 알지 못하는 것은 우리가 할 수 있다면 이 커브의 모양을 변경하십시오

우리가 그 실험을 시작할 때, 우리는 실제로 상당한 경사가 있음을 보여주었습니다 개량 우리는 매우 흥분된다 불행히도, 이것은 너무 비싸다 우리의 CEO는이 제품이 한 매장에서 작동한다고 말합니다

훌륭합니다 그러나 다음 주, 그들이 모든 것을 다시 돌아 다닐 때, 우리는이 일을 다시해야 할 것입니다 그런데 우리는 아주 빨리 성장하고 있습니다 그래서 나는 이것을하기 위해 노동 시간을 아끼지 않는다 그래서 우리는 이렇게 말합니다

좋아, 아폴로바 어쩌면 우리가 할 수있는 더 똑똑한 것이있을 것입니다 우리는 GPS가 장착 된 전화기를 가지고 있습니다 쇼핑객들은 하루 8 시간 동안이 가게에 있습니다 그들은 하루에 수 백 번씩 따기입니다

지도를 암시 적으로 GPS를 사용하여 실제로 정렬 할 수 있습니다 그들이 아이템을 고르는 시간을 알고 있습니다 바코드 스캔 우리는 그들이 GPS가있는이 가게에서 상대적으로 어디에 있는지 알고 있습니다 시간이 지남에 따라 해당 제품에 대한 충분한 정보가있는 경우, 우리는 전체 상점을지도로 만들기 시작할 수 있습니다

그리고 우리는 어디서 상세한 분석을 할 수 있을까요? 아기 기저귀가이 가게에 있습니다 주어진 주문에 대해 이와 같은지도가 완성되면, 지도 상에 점들을 그릴 수 있습니다 우리는 여행 세일즈맨 문제를 해결할 수 있습니다 우리는 소액 주문을 위해 그것을 실제로 해결할 수 있습니다 우리는 대량 주문에 대해 휴리스틱 근사를 사용합니다

그 결과는 흥미롭지 만 실망 스럽습니다 우리는 실제로 상당한 개선을 보았 기 때문에 기준선 이상 그리고 이제 우리는 아무에게도 이것을 지불하지 않습니다 이제 이것은 우리가 무료로 얻는 암묵적인 데이터입니다 그것은 단지 알고리즘을 실행하는 것입니다

그러나 우리는 그것이 실제로 무엇이 좋지 않은지 알고 있습니다 인간은 할 수 있었다 이 알고리즘에는 몇 가지 결함이 있습니다 벽이 어디 있는지 모릅니다 그래서 통로를 통과하도록 요청할 수도 있습니다

그래서 우리는 거기서 멈출 준비가되어 있지 않았습니다 우리는 주변을 둘러보기 시작했습니다 우리에게 더 정확한지도 정보를 줄 수있는 첨단 기술? 우리는 일에 정말로 흥분한다 Google Tango와 같이 이 AR의 많은 부분이 우리에게 커질 것입니다 그것은 우리가 일하는 방식을 정말로 바꿀 것입니다

그러나 아직 실제로 유비 쿼터스가 아닙니다 그래서 우리는 모든 쇼핑객을 기대할 수 없습니다 가서 새로운 기기를 사서 우리와 쇼핑하십시오 일단 모든 옵션을 다 써 버리면 어떻게해야합니까? 우리는 문제에 대해 배우는 일부 기계를 묻어 버린다 그리고 무슨 일이 일어나는 지보십시오

그래서 어떤 기계 학습 문제에서, 공식적인 문제 진술이 필요합니다 우리는 이모티콘으로 문제를 진술하기를 좋아합니다 이 경우 제품이 10 개 있습니다 옥수수를 커피 한 잔 그리고이 기계 학습 알고리즘의 목표 해당 제품을 올바른 순서로 넣는 것입니다

그래서 우리는 그 서열을 예측할 수 있습니다 수학적으로 명시된 특정 사례의 경우, 다음 항목의 확률 마지막 항목이 빵이라는 점에서 쿠키가 될 것입니다 당신의 후보자는 쇼핑을 해야하는 남아있는 기능입니다 우리는 기계 학습 모델로 배우려고합니다 우리는 TensorFlow 아키텍처를 사용하여 이 기계 학습 모델 이 경우 실제로 모델이 몇 가지 다른 기능의 기능을 사용합니다

쇼핑하는 구매자의 기능을 고려합니다 그들이 얼마나 경험이 있었습니까, 얼마나 오래 있었습니까? 교대시, 주문 중에 일반적으로 얼마나 많은 환불을하는지, 그들이 얼마나 일반적으로 주문을 쇼핑하는지 창고 위치를 확인합니다 그들이 말할 수 있도록 이 곳이 얼마나 큰지, 얼마나 혼란스럽게 펼쳐져 있는지, 그들은 일반적으로 주식이없는 것을 가지고 있습니까? 그들은 우리에게 말하지 않았다 그들은 방금 뽑은 이전 항목을보고, 이 경우에는 빵입니다

그리고 그들이 선택할 수있는 다음 항목을 봅니다 내가 전에 만졌던 한 가지 중요한 것 embedding의 개념입니다 제품 기능이있는 경우 수치 적으로 표현되는 모델 – 점진적으로 업데이트됨에 따라 해당 기능 세트가 임베드됩니다 그 자체로 그리고이 경우, 우리는 실제로 오는 두 가지 제품이있다

이 모델을 기능으로 TensorFlow를 사용하면 해당 임베딩을 공유 할 수 있습니다 따라서이 모델은 한 번 제품에 대해 배워야 만합니다 효율성을 두 배로 높입니다 이 모델의 목표는 실제로 초콜릿 바의 예상 여부 빵이 주어지면 다음 항목을 골라라 이 소매점에서 이전 항목이 선택되었습니다

이 구매자와 충분한 예제를 통해 실제로이 모델을 훈련 할 수 있습니다 이 기능을 배우십시오 우리는 이걸 우리가 방금 호출 한 모델이라고 부를 것입니다 훈련 된, 점수 생성기

그리고 우리는 그것을 설정할 것입니다 – 오른쪽 상단 코너 지금은 – 어떻게 좀 더 깊숙이 들어가십시오 우리는이 점수 생성기를 사용하여 실제로 순서를 순서화합니다 모든 제품에 대해 점수를 생성합니다 입력 기능이 주어진다 그런 다음 나머지 모든 제품에 대해 가용성 설정 내부

예측할 수 있습니다 몇 가지 다른 점수 어떤 것들은 다음에 선택 될 가능성이 매우 높습니다 어떤 것은 다음에 선택 될 가능성이 적습니다 우리는 그 중 가장 가능성있는 것을 택했습니다

Softmax는이를위한 멋진 수학적 용어입니다 우리는 예측을 얻는다 그리고 우리는 실제로 교차 엔트로피를 사용합니다 이 답변은 모델을 가르치는 한 가지 방법입니다 당신이 지금보고있는 사용 가능한 것들에 제약을받습니다

우리 카탈로그에는 수백만 가지의 다른 제품이 있습니다 네가 "실리콘 밸리"에 익숙한 지 모르겠다 만약 누군가가 그것을 지켜 핫도그 / 핫도그 기계 분류 분급 기 – 그는 실제로 그것을 보편적으로 만들 수는 없었다 그는 그것을 실제로 훈련 할 수 없도록 훈련시킬 수 없었다

한 가지 이상을하십시오 Google의 분류 기준은 실제로 모든 것을 고려할 수 있습니다 그것은 하나의 모델이기 때문에 모든 상점, 모든 제품, 한정판 사용 가능한 제품의 매우 작은 목록으로 쇼핑 목록에 그것은 교차 엔트로피 함수입니다 우리에게 그 작은 여분의 찌름을 준다

그리고 그 모델이 주어지면 실제로 예측을 할 수 있습니다 옥수수가 가장 유망한 품목 일 것입니다 먼저 뽑혔다 그들은 단지 옥수수를 골랐다는 것을 감안할 때, 그들이 선택한 다음 항목은 무엇입니까? 이 모든 나머지 부분과 함께 우리는 우리가 실제로 전체 목록을 다 써 버릴 때까지 사용 가능한 제품 중 그리고 우리는 그것을 구매자에게 보여줄 수 있습니다 그래서 질문은, 이것은 정말로 복잡하게 들린다

실제로 작동합니까? 그리고 그 대답은 강렬합니다 우리는 결과에 매우 흥분합니다 아이디어를 내기 위해 1 억 2 천 5 백만 가구가 있다면 미국에서는 Instacart에서 5 %가 사업을한다면, 그들은 일반적으로 일주일에 한 번 식료품 가게를 찾습니다 일주일에 약 1 분을 절약 할 수 있다면, 그때마다 618 년의 노동력이 우리가 매주 저장합니다 이런 모델로

이런 식으로 생산 모델을 확보하면, 더 많은 기능을 추가하기 위해 그것을 조정하는 것은 정말로 쉽습니다 어느 것이 의미가 있는지보기 모델의 성능에 해를 끼치고있다 여분의 숨겨진 레이어를 추가합니다 우리는이 일곱 번 정도 반복했습니다

실제로 우리는 그것의 성능을 두 배로 향상 시켰습니다 기준선에 비해 그래서 우리는 지금 일주일에 수천 년에 걸쳐 구원 받았고, 우리는 매우 행복합니다 [웃음] 그래서 그게 전부입니다 케빈에게 돌려 줄거야 누가 우리에게 폐막 할 수 있겠 어? 메모 점심

Dinesh Nirmal, IBM | Machine Learning Everywhere 2018

>> 아나운서 : 뉴욕에서 생방송으로, 그것은 the CUBE, 어디서나 학습하는 기계 커버 : AI에 사다리를 건축하십시오 IBM이 당신에게 가져 왔습니다

>> 뉴욕의 Midtown에 다시 오신 것을 환영합니다 우리는 Machine Learning Everywhere에 있습니다 : 입고있는 사다리를 건축하십시오 빅 애플 (Big Apple)에서 2 월 말에 IBM에 의해 발표되었다 Dave Vellante와 함께, 저는 John Walls입니다 우리는 이제 Dinesh Nirmal, 누가 애널리틱스 개발 담당 부사장인가? 곧 IBM Silicon Valley 연구소의 Site Executive가 될 예정입니다

Dinesh, 오늘 아침에 만나서 반가워요 >> 고맙습니다, 존 >> 캘리포니아에서 신선 너 멋지다 >> 고마워

>> 좋아, 너는 이것에 대해서 이야기 해 봤어 그리고 그것은 정말로 당신의 세계입니다 : 데이터, 새로운 정상 설명하십시오 새로운 법칙이라고 할 때, 정확히 그것이 어떻게 변형되고 있는가? 사람들이 적응해야하는 것은 무엇인가? 새로운 법선의 관점에서 >> 그래서, 데이터를 보면, 나는 말할 것입니다 우리 모두는 살아있는 데이터 세트가되었습니다 나이, 인종, 월급

우리가 좋아하거나 싫어하는 것, 모든 사업은 매 초를 모으고 있습니다 전화를 사용할 때마다 그 데이터는 어딘가에 전송되어 어딘가에 저장됩니다 예를 들어 항공사는 찾고 있습니다 있잖아, 뭘 좋아하니? 통로 좌석이 마음에 드십니까? 일찍 집에 가고 싶니? 알다시피, 그 모든 데이터 >> 위의 모든 것, 맞죠? >> 그리고 페타 바이트와 제타 바이트의 데이터가 생성됩니다

이제 기업의 도전은 어떻게 그 데이터를 가져 와서 통찰력을 얻습니까? 당신을 더 나은 고객으로 제공합니다 그게 내가 왔던 곳이야 그러나 가장 큰 도전은, 이 엄청난 양의 데이터를 어떻게 처리합니까? 그것이 바로 도전입니다 그것으로 사이트를 만드는 것 >> 그거 재미 있네

내 말은, 정체성의 정의가 정말로 수십 년 동안 그것은 똑같습니다 당신이 방금 설명한 것은 완전히 새로운 인물입니다

개인의 신원 >> 그리고 지금, 당신은 데이터를 가져 가고, 컴플라이언스 또는 프로비저닝 추가 그 위에 GDPR처럼, 갑자기 어떻게 – >> John : GDPR이란 무엇입니까? 그것에 익숙하지 않은 사람들을 위해 >> Dinesh : 그것은 규제 용어입니다 EU가 확인하십시오 >> EU에서

>> 고객으로서의 나를 기업에 보내 게되면, 말하자면, 나는 내 데이터가 저장되는 것을 원하지 않는다 그 데이터를 완전히 삭제하는 것은 당신에게 달려 있습니다 맞습니까? 이것이 사용 된 용어입니다 그리고 그것은 5 월에 발효됩니다 해당 데이터가 완전히 삭제되었는지 어떻게 확인합니까? 그때까지 고객은

고객으로부터 어떻게 동의합니까? 그 모든 일을하기 위해 그래서 많은 어려움이 있습니다 데이터가 증가함에 따라 어떻게 데이터를 다룰 것인가? 데이터에 대한 통찰력을 어떻게 창출합니까? 데이터에 대한 동의를 어떻게 작성합니까? 해당 데이터를 어떻게 준수합니까? 필요한 정책을 어떻게 작성합니까? 데이터를 생성 하시겠습니까? 그 모든 것들이 있어야합니다 그것들은 기업이 당면한 과제입니다

>> 당신은 GDPR을 기릅니다 그것에 익숙하지 않은 사람들을 위해, 실제로 작년에 효력을 발휘했다 그러나 올해 벌금이 부과됩니다 벌금은 매출액의 4 %처럼 번거롭고, 나는 그것이 단지 끔찍한 것을 의미한다 내가 너에게주는 질문은 이것은 회사들에게는 정말로 무서운 일입니다

그들이 따라 잡으려고했기 때문에 큰 데이터 세계에, 그래서 그들은 방금 큰 데이터 프로젝트를 던지고 있습니다 데이터를 수집하는 모든 곳에서, 종종 개인 정보, 그리고 지금 EU가 내려와 말하기를, "요청하신 경우 삭제할 수 있어야합니다" 많은 시간에 그들은 그것이 어디에 있는지조차 모릅니다 너무 큰 도전

너희들, 도와 주겠니? >> 그래, 내 말은, 오늘 네가 보니, 데이터가 모든 곳에서 존재합니다 내 말은, 그것이 관계형 데이터베이스에 있는지의 여부입니다 또는 Hadoop에서 비정형 데이터, 당신이 알다시피, 광학 상점은 모든 곳에 존재합니다 데이터가 어디에 있는지 말할 방법이 있어야합니다 고객이 동의해야합니다

당신이 데이터를 볼 수 있도록 주어진, 데이터, 그 모든 것들을 삭제할 수 있습니다 우리는 우리가 만든 도구를 가지고 있습니다 우리는 아주 오랫동안 사업에 종사해 왔습니다 예를 들어 우리가 볼 수있는 거버넌스 카탈로그 모든 데이터 소스, 관련 정책 그것, 준수, 그 모든 것들 카탈로그를 살펴 보시려면 어떤 데이터가 GDPR을 준수하는지 확인할 수 있습니다

어떤 데이터가 아닌지, 어떤 데이터를 삭제할 수 있는지, 어떤 데이터를 볼 수 없습니다 >> 우리는 방금 열린 이야기를하고 있었고, Dave는 많은 회사, 너는 단지 누군가가 아닌 모든 스타를 필요로한다 한 특정 분야에서 전문 분야를 가진 사람, 하지만 아마 특정 연대에있는 누군가 그리고 그들은 약 5 개의 다른 모자를 써야합니다 그렇다면 어떻게 데이터를 핵심으로 민주화합니까? 이 모든 별을 만들 수 있다고? 모든 종류의 서로 다른 비즈니스 단위에 걸쳐 또는 회사 내 다른 초점, 갑작스러운 모든 사람들이 접근하기 때문에 훌륭한 정보를 얻을 수 있습니다 나는 전에 이것에 대해 걱정할 필요가 없었습니다

하지만 이제, 당신은 그 재산을 흩어지게해야합니다 모두를 귀중하게 여기십시오 >> 그래, 정말 좋은 질문이야 내가 말했듯이, 데이터는 모든 곳에 존재합니다 대부분의 기업은 데이터 이동을 원하지 않습니다

이사하는 것은 엄청난 노력이기 때문에 기존 장소에서 다른 장소로 응용 프로그램이 작동하는지 확인하십시오 우리는 데이터 가상화 계층을 구축하고 있으며, 연합 레이어 (federation layer) 당신이 사업 단위라고 가정 해 봅시다 해당 데이터에 액세스하려고합니다 이제 해당 연합 데이터 가상화 계층을 사용할 수 있습니다 데이터 이동없이, 그 작은 조각의 데이터를 가져 와서 당신이 데이터 과학자라면, 아주 작은 데이터 만 원한다

귀하의 기업에 존재합니다 데이터를 이동하지 않고도 이동할 수 있습니다 그 데이터를 골라 내고, 일을하고, 예를 들어 해당 데이터를 기반으로 모델을 구축 할 수 있습니다 따라서 데이터 가상화 계층이 실제로 도움이됩니다 이것은 기본적으로 SQL 문이므로, 내가 그것을 단순화한다면

그것은 존재하는 데이터를 추적 할 수 있습니다 그것이 관계형이든 비 관계형이든, 그리고 나서 다시 가져오고, 일을 끝내고, 그 데이터를 다시 작업에 적용하십시오 >> 나는 비관 주의자가되고 싶지 않다 나는 낙천주의 자이기 때문에, 그러나 회사에게는 무서운 시대입니다 그들이 20 세기 조직이라면, 그들은 정말로 인간 전문 지식을 바탕으로 만들어졌습니다

어떻게 무언가를 만드는 방법, 무언가를 처리하는 방법, 또는 누군가에게 봉사하는 방법, 또는 그것이 무엇이든 상담하십시오 21 세기 조직, 데이터는 기본입니다 그것은 핵심이며, 제 데이터가 모든 곳에 있다면, 나는 데이터 중심으로 태어나지 않았고 클라우드에서 태어 났으며, 그 모든 유행어, 전통적인 조직은 어떻게 따라 잡습니까? 그들을위한 출발점은 무엇입니까? >> 대부분은 아니지만 모든 기업이 데이터 중심 경제, 그것은 모두 데이터에 의해 추진되기 때문입니다 이제는 단순한 데이터가 아닙니다 또한 응용 프로그램을 변경해야합니다

귀하의 응용 프로그램은 응용 프로그램이기 때문에 데이터에 액세스하고 있습니다 하나, 어떻게 지내세요? 애플리케이션 적응 형 들어오는 데이터의 양에? 어떻게 정확도를 만드나요? 내 말은, 모델을 만들면, 정확성을 생성하는 정확한 모델을 갖는 것이 중요합니다 당신은 그것을 공연이나 통치하고 스스로 안전하게합니까? 그것은 또 다른 도전입니다 당신은 그것을 어떻게 측정 가능하게 만들고 모든 것을 감시합니까? 당신이 3 개 4 개의 중핵 신조를 가지고가는 경우에, 그것이 바로 21 세기가 지향하는 것입니다 왜냐하면 우리가 증강하기 때문에 우리의 인간, 또는 개발자, AI 및 기계 학습, 어떻게 당신이 가져 오는가 점점 더 비판적이됩니다

데이터에 대한 이러한 세 가지 또는 네 가지 핵심 교리 따라서 데이터가 커짐에 따라 애플리케이션도 확장 할 수 있습니다 >> 큰 과제 당신이 붕괴 된 산업을 보면, 택시, 호텔, 책, 광고 >> Dinesh : 소매 >> 소매점, 고마워요

어쩌면 지금은 덜하고, 당신은 아직 그 붕괴를 보지 못했습니다 은행, 보험 회사, 확실히 정부, 국방, 아직 큰 혼란을 보지 못했지만오고 있습니다 그 곳곳에 데이터가 있다면, 이전에 거의 모든 회사에서 데이터 중심적이어야하지만 많은 회사 내가 말하는 것을 말하면서, "글쎄, 우리 산업은 일종의 고립 된 것" 또는 "그래, 우리는 기다릴거야" 그게 재앙의 처방이라고 생각합니다 그것에 대한 당신의 생각은 무엇입니까? >> 나는 그 분열이 세 가지 측면에서 비롯 될 것이라고 생각합니다

하나, AI 확실히 그것은 길을 바꿀 것입니다 blockchain, 또 하나 당신이 말할 때, 우리는 재정적 측면에서 보지 못했습니다, 블록 체인이 그것을 바꿀 것입니다 세 번째는 양자 컴퓨팅입니다

우리가 계산하는 방식은 완전히 바뀔 것입니다 양자 컴퓨팅 그래서 나는 붕괴가 올 것이라고 생각합니다 그것들은 셋이다 21 세기로 예측해야한다면, 그것은 우리가 일하는 방식을 바꿀 것입니다

AI는 이미 엄청난 노력을하고 있습니다 이제 기계는 기본적으로 이미지를 볼 수 있습니다 그리고 그것이 무엇인지 말하지, 그렇지? 우리는 암 종양학을 위해 왓슨 (Watson) 우리는 400 ~ 500,000 명의 환자가있다 왓슨이 치료를 받았다 그래서 AI는 기업 관점에서뿐만 아니라 변화하고 있습니다

그러나 사회 경제적 관점에서 인간의 관점에서 볼 때, 그래서 Watson은 그 좋은 예입니다 하지만 그래, 우리가 말하는대로 혼란이 일어나고있다 >> 그리고 그 점에 동의합니까? AI에 대한 기본은 데이터입니까? >> 네 >> 그리고 고객과 함께, 당신이 말했듯이, 당신은 그것을 묘사했습니다, 그들은 모든 곳에서 데이터를 가지고 있습니다 모든 것이 사일로에 있지만 모두가 아니라 사일로에 있습니다

IBM은 이들을 사일로 – 버스터로 어떻게 도울 수 있습니까? >> 몇 가지, 맞지? 하나는 모든 곳에 데이터가 존재한다는 것입니다 어떻게하면 데이터에 액세스 할 수 있는지 어떻게 확인합니까? 데이터를 이동하지 않아도됩니다 그러나 전체 라이프 사이클을 살펴보면, 그것은 데이터를 섭취하는 것입니다 데이터 가져 오기, 데이터 정리, 왜냐하면 당신이 말한 것처럼 데이터가 핵심이됩니다 쓰레기 입력, 쓰레기 출력

데이터가 깨끗하지 않으면 좋은 모델을 얻을 수 없습니다 그래서 모든 과정이 있습니다 나는 당신이 데이터 과학자라면, 아마도 귀하의 시간 중 70 %가 데이터를 청소하는 데 소비됩니다 모델 구축을위한 데이터 준비 또는 모델이 소비 할 수 있습니다 그리고 일단 당신이 그 모델을 만들면, 모델이 재교육되도록하려면 어떻게해야합니까? 정기적으로 모델을 모니터링하는 방법, 모델을 어떻게 다스 립니 까? 그리고 마지막 부분은 시각적보고입니다

어떻게 확신하니, 일단 모델 또는 애플리케이션이 구축되면, 생성하려는 보고서를 작성하는 방법 또는 해당 데이터를 시각화하려고합니다 데이터는 기본 레이어가되고, 하지만 그 위에 전체 라이프 사이클이 있습니다 해당 데이터를 기반으로합니다 >> 그래서 미래의 혁신을위한 공식, 그런 다음 데이터로 시작합니다 당신은 인공 지능에 추가, 클라우드 경제학, 그러나 우리는 그것의 일부이기도하다는 것을 정의합니다

제 감각은 대부분의 회사들이 준비가 안 됐습니다 >> 구름 때문에? >> 나는 혁신에 대해 말하고 있습니다 우리가 혁신을 일으킨다는 것에 동의한다면 AI 플러스 데이터 플러스 클라우드 경제학은 API 경제라는 것을 의미합니다 당신은 엄청난 규모의 경쟁을해야합니다 택시 및 소매업의 혼란을 들여다 보면, 그 밑에는 구름 경제가 있습니다 그래서 대부분의 고객은 실제로 가지고 있지 않습니다 그들은 아직 클라우드 경제학을 마스터하지 못했습니다 데이터와 AI 구성 요소만으로는 충분하지 않습니다 그래서 큰 차이가 있습니다 >> 큰 도전입니다

어떻게 데이터를 가져 와서 데이터에서 통찰력을 얻을 수 있습니까? 기존 데이터뿐만 아니라, 맞습니까? 데이터는 초에 곱합니다 초당, 페타 바이트 또는 제타 바이트 데이터가 생성되고 있습니다 그래서 당신은 존재하는 데이터에 대해 생각하고 있지 않습니다 현재 귀하의 기업 내에서, 하지만 지금은 데이터가 여러 다른 장소에서 온다 비 구조적 데이터, 구조화 된 데이터, 반 구조화 된 데이터, 어떻게 그 모든 것을 이해합니까? 그것은 고객이 직면 한 도전이며, 기존 데이터가있는 경우, 새로운 데이터 위에 당신은 그걸 어떻게 나오고 싶은지 어떻게 예측합니까? >> 정말 어려운 수수께끼입니다

일부 회사는 왜냐하면 당신이 지금 커브 뒤에 있다면, 당신은 따라 잡기가 많습니다 그래서 우리는이 공간에 있어야한다고 생각합니다 그러나이 공간을 따라 가면서, 변화가 그렇게 빨리 일어나기 때문에, 정말 힘들어서 페달을 두 번 빨리해야합니다 그냥 게임에 들어가기 도전에 대해 이야기하십시오

어떻게 해결합니까? 당신은 누군가 거기서 어떻게 말하게합니까? "네, 여기 로드맵이 있습니다 "나는 그것이 어려울 것이라고 알고있다 "하지만 일단 거기에 도착하면 괜찮을거야 "아니면 최소한 평등 한 경기장에있을거야" >> 나는 세 D를 본다

데이터가 있습니다 모델이나 응용 프로그램의 개발이 있습니다 그런 다음 해당 모델 또는 응용 프로그램의 배포 기존 엔터프라이즈 인프라 스트럭처에 통합 할 수 있습니다 데이터가 변할뿐만 아니라, 그러나 모델의 개발, 개발에 사용하는 도구도 변하고 있습니다 당신이 다만 예측 조각을 보는 경우에, 나는 80 년대부터 지금을 바라 봅니다

당신은 바닐라 기계를 배우는 것과 깊은 학습을하는 것, 사용할 수있는 도구가 너무 많다는 뜻입니다 어떻게 다 함께 가져 왔어? 어느 것을 사용 하시겠습니까? 내 생각에, 데이브, 하둡을 언급 했어 10 년 전의 용어였습니다 이제는 객체 저장소에 관한 것입니다 데이터가 있는지 확인하는 방법은 무엇입니까? 또는 JSON과 그 모든 것들

모든 것이 변화하고 있습니다 그래서 어떻게 가져 오나요, 기업으로서, 당신은 계속 살아남고, 뿐만 아니라 데이터 조각에, 그러나 모든 핵심 인프라 조각, 응용 프로그램 조각, 그 모델의 개발 조각, 그리고 나서 가장 큰 도전이옵니다 언제 당신이 그것을 배포해야합니다 지금 당신은 가지고 있어야하는 모델을 가지고 있기 때문에 현재 인프라 스트럭처에 배포하고, 쉬운 일이 아닙니다 당신이 기계 학습에 몰두하기 때문에 기존 응용 프로그램, 타사 소프트웨어, 60 년대와 70 년대에 쓰여진 소프트웨어, 그것은 쉬운 일이 아닙니다 나는 유럽의 주요 은행에 있었고, CTO가 나에게 이렇게 말했어

"Dinesh, 우리는 3 주 만에 모델을 만들었습니다 "11 개월이 지났지 만 아직 배포하지 않았습니다" 그리고 그것이 바로 현실입니다 >> 문화적 측면도 있습니다 나는 그것이 Rob Thomas라고 생각한다

나는 그가 쓴 블로그를 읽고 있었다 그는 고객과 이야기하고 있다고 말했다 "나는 기술 산업에 종사하지 않아, "일이 너무 빨리 변하기 때문에 나는 결코 그것을 할 수 없다 "나는 소프트웨어 회사가 아니다" 그리고 롭의 반응은 "어, 잠깐만

(웃음) "당신은 기술 사업에 종사하고 있습니다 "당신은 소프트웨어 회사입니다" 그래서 문화적 사고 방식이 있습니다 그리고 제프리 이멜트 (Jeffrey Immelt)는 GE와 함께 그것을 보았습니다 "나는 산업 거인을 자러 갔다

"소프트웨어 회사를 깨웠다" 그러나 산업 거인 변신 했으니 까 그들은 파트너가 필요합니다

그들은 전에 이것을 한 사람들이 필요합니다 그들은 전문 지식과 분명히 기술이 필요합니다 그러나 항상 그것을 붙잡는 사람들과 과정입니다 >> 나는 기술이 하나라는 것을 의미한다 이것이 바로 IBM과 같은 회사들이 생각하는 것입니다

큰 차이를 만들어라 당신은 기업을 이해합니다 너는 그 풍부한 지식을 가져 오기 때문에 수십 년 동안 그들과 함께 일하는 그들은 귀하의 인프라, 그 핵심 요소입니다, 마지막 조각은 배포 조각이라고 말했듯이, 어떻게 그 모델을 가져 오나요? 기존 인프라로 해당 아키텍처에 맞는지 확인하십시오 그리고 그것은 엄청난 양의 일을 필요로합니다 기술 및 지식

>> 직업 안정 (모두 웃음) >> Dinesh, 오늘 아침 우리와 함께 해줘서 고마워 우리는 그것과 행운을 고맙다 이벤트의 나머지는 뉴욕시에 있습니다 다시 CUBE에서 더 많은 것을 보자

(진정한 테크노 음악)

Garry Kasparov | Machine Learning Everywhere 2018

>> [내레이터] 뉴욕에서 생방송으로, 큐브, 어디서나 기계 학습을 다루고 있습니다 IBM에서 가져온 AI에 사다리를 빌드하십시오

>> 계속해서 뉴욕에 오신 것을 환영합니다 IBM의 기계 학습을 통해 사다리를 구축하십시오 Dave Vellante와 함께 AI에게, 나는 John Walls입니다 이제는 우리 생각에있어서 우리의 위대한 영광입니다 아마도 그리고 틀림없이 가장 위대한 체스 선수 모든 시간 중 Garry Kasparov가 우리와 합류했습니다

그는 현재 인권 재단 (Human Rights Foundation)의 의장이며, 러시아의 정치 운동가도 얼마 전만했다 우리와 함께 해줘서 고마워 정말 고마워 그 시간 >> 저를 초대해 주셔서 감사합니다

>> 우리는 이것을 고대하고 있습니다 자, 그러면 우리를 위해 무대를 마련해주십시오 인공 지능은 분명히 꽤 뜨거운 주제입니다 어쩌면 갈등이 아닌, 보완적인 성격 인간 지능의 캠프의 양쪽에 사람들이 있습니다 그러나 당신은 그것들을 서로에게 아주 보완적인 것으로 봅니다

>> 나는 그것이이 산업의 자연적인 발전이라고 생각합니다 인간과 기계를 하나로 모을 것입니다 이 공동 작업이 최상의 결과를 가져올 것이기 때문입니다 우리의 능력은 보완 적입니다 인간은 창의력과 직감을 가져올 것입니다

인간의 판단과 같은 다른 전형적인 인간의 자질 기계가 추가되는 동안 전략적 비전 계산, 기억 및 많은 다른 능력들 그들은 빨리 습득했다 >> 그래서 두 가지 모두를위한 공간이 있습니다 >> 네, 기계가 없기 때문에 불가피하다고 생각합니다 100 % 완벽해질 것입니다 기계가 더 가까워지고 90 % 92, 94, 95

하지만 인간에게는 여전히 여유가 있습니다 왜냐하면 결국에는 당신도이 거대한 힘으로 당신을 인도합니다 결과를 평가해야하고 마지막에는 기계가 결코 이해할 수없는 날 그것이 수익 감소의 영역에 도달했을 때 인간이 실제로 식별하는 것이 매우 중요합니다 그렇다면 과업은 무엇입니까? 나는 많은 전문가들에 의해 만들어진 실수라고 생각한다

자동으로 기기의 폐쇄 형 시스템에 대한 전문 지식 개방형 시스템에 통합 할 수 있습니다 모든 닫힌 시스템에서 게임인지 여부 체스의, 쓸데없는 게임, 딸 같은 비디오 게임, 또는 인간이 이미 매개 변수를 정의한 다른 것 문제의 기계는 놀랄만 한 성능을 발휘합니다 그러나 개방형 시스템이라면 기계 일종의 올바른 질문이 무엇인지 식별하지 못한다 물어볼 것이다 >>이 질문에 대해 나를 미워하지 말고, 지금 그것이 사실인지 아닌지 나는 모른다

어느 시점에서 당신은 결코 잃지 않을 것이라고 말했습니다 기계에 나의 질문은 우리가 기계를 만드는 능력이 얼마나 될까? 우선, 사실입니까? 컴퓨터의 힘을 과소 평가 했나요? 우리가 실제로 기계를 만들 수 있다고 생각하는 능력? >> 이봐, 질문이 제기 된 80 년대에 나는 우리가 거의 보지 못했기 때문에 훨씬 더 낙관적이었다 그 시간에 나를 만들 수있는 기계에서, 당시 세계 챔피언, 기계의 능력에 대해 걱정 진짜 체스 게임에서 나를 물리 치기

나는 그것이 발전하고있는 속도를 과소 평가했다 나는 무언가 일어나고있는 것을 볼 수 있었다, 요리하고 있었다, 하지만 나는 기계에 더 오래 걸릴 것이라고 생각했다 따라 잡다 내가 여기서 말했듯이, 우리는 단순히 우리가 알고있는 동안하는 모든 일을 인식하라 우리가 어떻게하는지, 기계가 더 잘할 것입니다

인간이 수행하는 특정 작업, 기계가 결국 우리를 능가 할 것입니다 >> 당신의 이야기에 대해 내가 좋아하는 것은, 나는 당신에게 말하고 있었다 우리가 Erik Brynjolfsson을 만났을 때의 오프 카메라 앤드류 맥아피, 당신은 사무엘의 반대입니다 P Langley는 나에게

사무엘 P 랭글리가 누군지 알아? >> 아니, 제발 >> 사무엘 P 랭글리, 사무엘 P 랭글리가 누구인지 아십니까? 그는 신사였습니다

당신들이 이것을 좋아할 것입니다 정부가 지불 한 나는 그 시간에 5 만 달러라고 생각한다 비행 기계를 만들 수 있습니다 그러나 라이트 형제 (Wright Brothers) 그래서 Samuel P Langley는 무엇을 했는가? 라이트 형제가 성공한 후에? 그는 그만 뒀다

하지만 기계를 잃은 후에 당신이 뭘 안다고 했지? 나는 다른 인간과 기계를 이길 수있다 지금은 세계 최고의 체스 플레이어가 무엇인지, 내 이해이다 그것은 기계가 아니지만 기계의 조합입니다 및 인간 정확하니? >> 네, 실제로 체스에서, 우리는 협업이 어떻게 작동 할 수 있는지

이제 많은 분야에서 사람들은 수업에 의존합니다 내가 말한 것으로부터 배운, 계시 된 고급 체스 이 팀에서 인간과 기계가 가장 중요합니다 성공의 요소는 인간 전문가의 힘이 아닙니다 그것은 기계의 속도가 아니지만 과정입니다

인터페이스이기 때문에 실제로 만드는 방법입니다 협력 미래에는 성공의 열쇠가 될 것이라고 생각합니다 우리는 매우 강력한 기계를 가지고 있기 때문에, 그 인공 지능, 지능형 알고리즘 그들 모두는 매우 특별한 대우를 요구할 것입니다

그래서 나는이 유추를 오른쪽과 함께 사용한다 페라리 연료 우리는 전문 기술자를 가질 것이며, 나는 그들을 목자라고 부릅니다 요구 사항을 정확하게 알아야합니다 이 기계 또는 그 기계 또는 그 그룹의 알고리즘을 통해 우리가 그들의 결함을 보완하기 위해 인간의 의견으로 다른 방법은 아닙니다

>> 그 대답을하게하는 것은 무엇입니까? 그것은 당신의 경쟁력 이었습니까? 함께 일하는 기계와 인간에 대한 당신의 비전 이었습니까? >> 나는 내가 무패로 오래있을 수 있다고 생각했다 세계 챔피언 아이러니하게도, 1997 년 게임을 보면 게임의 품질과 평가를 시도하십시오 딥 블루 진짜 강점, 나는 내가 객관적이라고 생각한다 나는 더 강했다

오늘 당신은이 게임들을 분석 할 수 있기 때문에 훨씬 더 강력한 컴퓨터 네 랩탑에 체스 앱이 있다는 뜻이야 나는 당신이 정말로 딥 블루와 비교할 수 없다는 것을 의미합니다 그것은 자연스러운 진보입니다 하지만 제가 말했듯이, 그것은 게임을 해결하는 것이 아닙니다

객관적인 장점이 아닙니다 그것은 실제로 보드에서 수행 할 수있는 능력에 관한 것입니다 우리가 기계와 경쟁 할 수있는 동안 나는 깨달았다 몇 년 동안, 그리고 그것은 훌륭합니다 나는 2003 년 독일 프로그램에서 두 번 더 경기를했다

IBM과 같이 공개되지 않습니다 둘 다 넥타이로 끝나고 아마 그들은 딥 블루보다 강했지만, 끝났다고 생각 했어 어쩌면 10 년 체스를 어떻게 관련시킬 수 있습니까? 나에게는 매우 자연 스러웠다 나는 계산의이 엄청난 힘을 볼 수있었습니다

무차별 한 힘 다른면에서 나는 자질을 가진 우리를 볼 수 있었다 그 기계는 절대로 획득하지 못할 것입니다 실험실로 데리고 체스를 사용하는 것은 어떨까요? 가장 생산적인 방법을 찾는다 인간 – 기계 협업을 위해? >> 차이점은 무엇입니까? 기본적으로 처리 능력, 또는 처리 능력? 당신은 경기를했습니다, 이것은 1997 년입니다

당신은 표준 시간 컨트롤에서 경기를했습니다 이는 당신이나 플레이어에게 일정 시간을 허용합니다 딥 블루가 얼마나 시간을 들인거야? 아니면 전체 시간을 고려하여 고려 했습니까? 네가 운동 한 것과 반대로? >> 표준 시간 조절 장치입니다 잠재 고객에게 설명해야한다고 생각합니다 그 당시에는 7 시간 게임이었습니다

그것은 우리가 고전적인 체스라고 부르는 것입니다 우리에게는 1 시간 미만의 빠른 체스가 있습니다 그런 다음 5 ~ 10 분의 기량이있는 체스가 있습니다 그것은 정상적인 시간 관리였습니다 그들이 치고 있던 다른 컴퓨터를 언급 할 가치가 있습니다

블리츠 체스에 포함 된 인간 선수들 매우 빠른 체스에서 우리는 여전히 더 많은 시간이 더 많은 시간이라고 생각했습니다 우리는 좀 더 큰 안락함을 가질 수 있습니다 단지 기계의 계획과 실제로는 기계가하지 못하는 진짜 문제를 일으킨다

해결할 수 있어야합니다 다시 말하지만, 인간을 돕는 데 더 많은 시간이 필요하지만 하루가 끝나면 여전히 압박감을 느끼지 않는 능력에 관한 것입니다 너를 데려 갈 수있는 물건이 너무 많아서 잔액을 버리고 기계가 신경 쓰지 않아도됩니다 하루가 끝날 때 컴퓨터는 꾸준한 손을 가지고 있습니다 꾸준한 손 승리

>> 감정이 작용하지 않습니다 >> 그것은 앱과 힘에 관한 것이 아니라 대략입니다 특정 레벨에서 재생된다는 것을 보장합니다 전체 게임 인간 게임이 한 순간에 가능할 수도 있지만 조금 더 높다

하지만 하루가 끝날 때 평균을 볼 때 여전히 낮습니다 나는 많은 세계 챔피언 쉽 경기를했다 그리고 게임을 분석해 봅니다 게임은 최고 수준으로 진행되었습니다 나는 인간이하는 최고의 게임조차도 최고 수준에서, 그들은 반드시 큰 실수는 있지만 부적절한 부정확성 실수로 인간이 인간을 대할 때, 작은 실수는, 당신이 호의를 돌려 줄 것을 기대할 수 있습니다

기계에 대항하여 그것은 바로 그 것이다 인간은 전체적으로 같은 레벨에서 플레이 할 수 없다 전체 게임 집중력, 주의력이 필요합니다 인간이 인간과 마주 할 때

심리적으로 강한 기계를 가지고있을 때, 기계는 안정된 손으로 놀기에 충분합니다 게임 끝났어 >> 나는 또한 지적하고 싶다 우리는 사람들에게 똑바로 기록을 남깁니다 누가 당신의 기록에 친숙하지 않을 지 모릅니다

당신은 1986 년부터 2005 년까지 세계에서 1 위를 차지했습니다 3 개월을 제외한 모든 기간 동안 3 개월, 그것은 30 년입니다 >> 20 년 >> 80s, 90s, naughts, 그걸 줄께

(웃음) 그것은 전례가 없습니다 >> 이전 질문으로 돌아가는 이유에 대해 나는 새로운 형태의 체스를 찾는다 어린 시절부터 배웠던 중요한 교훈 중 하나입니다 그녀를 보냈던 어머니 덕분에 나를 도와 줬어 내가 누구인지, 아버지가 죽은 후 내가 누구인지, 내가 7 살이었을 때

항상 차이를 만들어 내려고 노력하는 것입니다 이기는 것만이 아니라 변화를 가져 오는 것입니다 그것은 저를 직업 생활에서 새로운 모토로 이끌었습니다 그것이 게임의 내 자신의 품질에 관한 것입니다 내 자신의 우수성에 도전하고있는 한 나는 상대방에 결코 미치지 않을 것이다

나를 위해 패배는 단지 걷어차였다 그래서 새로운 것을 제안 해 봅시다 새로운 도전을 찾아 봅시다 이 패배를 돌릴 수있는 방법을 찾아 보겠습니다 이 패배의 교훈은 좀 더 실용적인 것으로 넘어갑니다

>> 사랑해, 너의 책에서 나는 생각한다 그것은 존 헨리, 유명한 예였습니다 (한 번에 모든 사람이 말하기) >> 그는이기었지만 그는 길을 잃었다 >> 동기 부여는 경쟁이 아니었고, 사회를 발전 시켰습니다 그리고 창의력, 그래서 그것을 사랑 해요

내가 원하는 또 하나의 것, 빠른 제쳐두고, 당신은 압력을 받고 공연을 언급했다 나는 그것이 1980 년대에 있었다고 생각한다 너의 책을 여는 중 여러 대의 컴퓨터를 사용하는 것에 대해 이야기했습니다 "[Garry] 네, 1985 년에요

>> 1985 년에 당신은 모두 승리했습니다 가까운 경기가 있었지만 컴퓨터 이름 카스파 로프 였고 너는 내가 이걸 이겨야한다고 말했다 사람들은 그것이 조작 된 것이라고 생각할 것이기 때문에 또는 나는 이것을 지불 받는다 잘 했어 >> 나는 1985 년에 내가 본이 전시회를 항상 언급한다

32 개의 체스 플레이 컴퓨터가 아니기 때문에 이 사건의 중요성은 내가 얻은 것이 아니었다 모든 게임들,하지만 아무도 놀랐다 나는 내가 이길 수 있다는 사실을 인정해야한다 이 32 개의 체스 게임 컴퓨터에 대한 모든 게임 그들이 체스 게임 기계 일 뿐이니까 아무것도 내 자신감이 절대로 좋아지지 않을 것 같아

더 강력한 기계로도 패배한다 >> 글쎄, 나는 그것을 좋아한다 그래서 나는 그 질문을했다 얼마나 멀리 기계를 가져갈 수 있습니까? 우리는 당신이 말한 것처럼 몰라요 >> 왜 우리가 귀찮게해야합니까? 나는 우리가 할 수있는 많은 새로운 도전을 본다

우리가 버린 도전과 도전 우주 탐사 또는 심해 탐사와 같은 그들은 너무 위험했기 때문에 우리는 실제로 모든 확률을 계산할 수 없었습니다 좋아, 지금 우리는 인공 지능을 가지고있다 우리의 위험을 증가시키는 것입니다 실제로 인공 지능의이 놀라운 힘에 대항하여 그것은 우리가 올바른 길을 찾는데 도움이 될 것입니다

>> 다른 해설을 계속 듣고 싶습니다 Brynjolfsson과 McAfee는 기본적으로 전제 조건을 제시했습니다 look machine은 항상 인간을 대체 해 왔습니다 그러나 이것이 역사상 처음있는 일입니다 인식 작업의 측면에서 인간을 대체했다

그들은 또한 표정을 지었다 의심 할 여지가 없다 그것이 직업에 영향을 미치고 있다는 것을 그러나 그들은 내가 생각하는 처방전을 내 놓는다 낙관론자로서 당신은 동의 할 것입니다

새로운 기회를 찾는 것입니다 창의력을 불어 넣어주는 것, 기계를 보완하고 새로운 가치를 창조합니다 낙관론자로서, 나는 당신이 그것에 동의 할 것이라고 추정한다 >> 물론, 나는 항상 일자리가 사라지지 않는다고 말하고있다 그들은 진화한다

기술 진보의 불가피한 부분입니다 우리는 새로운 아이디어와 모든 파괴적인 기술을 생각해 낸다 일부 산업을 파괴하지만 새로운 일자리를 창출합니다 그래서 기본적으로 우리는 한 산업에서 일자리가 바뀜을 봅니다 다른 사람에게

농업, 제조, 제조에서와 마찬가지로 다른 분야로,인지 작업 그러나 이제는 다른 것이있을 것입니다 나는 시장이 바뀔 것이라고 생각한다 고용 시장 상당히 극적으로 바뀔 것입니다 다시 나는 우리가보아야 할 것이라고 믿는다

위험한 일자리 우리는 우리가 포기한 일을 시작해야 할 것입니다 30, 40 년 전에 우리는 그들이 너무 위험하다고 생각했기 때문에 >> 당신이 이야기하고 있었던 책으로 돌아가서, 깊은 생각 또는 기계 학습 또는 기계 지능 종료 인간의 지능이 시작될 때, 당신은 용기에 대해 이야기했습니다 자리 안전 장치가 필요하지만, 너 같은 용기의 인간적 요소가 말했다

위험을 감수하고 위험을 감수해야합니다 >> 이제 더 쉬울 것입니다하지만 제가 말했던 것처럼 기계의 바퀴가 많은 재능을 강요합니다 실제로 다른 지역으로 이동하는 다른 기회가 있었기 때문에 매력적이었습니다 내가 원시인지 과제라고 부르는 것이 너무 많다

여전히 재정적으로 매력적입니다 나는 많은 루프를 닫을 것이기를 희망한다 우리는 재능이 단지 우리가있는 영역으로 이동하는 것을 보게 될 것입니다 새로운 지평을 열어야한다 기억하는 것이 중요하다고 생각합니다

특히 기술적 진보입니다 당신이 파괴적인 기술에 관해 말할 때 그것은 의도하지 않은 결과에 대한 것입니다 달에 파리는 심리적으로 그것은 중요합니다, 우주 경쟁, 냉전 하지만 그것은 GPS에 관한 것이 었으며, 많은 부작용이있었습니다

60 년대에는 아직 감사하지 않았다 그러나 결국 우리가 가진 세계를 창조했습니다 우리가 화성에 날아간 결과는 무엇인지 모르겠다 소행성 중 하나가 발생합니다 대체 할 새로운 물질을 발견 할 것입니다

화석 연료 내가 알기 론, 네가 볼 때 그 일이 일어날거야 인류 역사상 모든 위대한 탐험이 있습니다 그들은 의도하지 않은 결과로 끝났습니다 주요 결과로

원래 번호 하나 목표로 계획된 것이 아닙니다 >> 우리는 혁신에 대한 이야기를 해왔습니다 오늘부터 온다 그것은 밖에서 부산물의 조합입니다 데이터 조합 + 신청 가능 인공 지능

물론 클라우드 경제학도 있습니다 근본적으로, 그게 합리적입니까? 네가 말한 것에 대해 생각해 과거에 믿어 너는 이점이 없었어 딥 블루의 움직임을보고, 그러나 그것은 당신의 움직임을 연구하는 이점이있었습니다

당신은 모든 데이터를 가지고 있지 않았고, 데이터를 가지고있었습니다 데이터가 미래에 어떻게 적합합니까? >> 데이터가 중요합니다 데이터는 연료입니다 그래서 우리가 가장 필요로하는 것들을 찾아야한다고 생각합니다 인간과 기계 간의 효과적인 협업 방법

머신은 데이터를 마이닝 할 수 있습니다 예를 들어, 즉각적인 돌파구 마이닝 데이터 및 인간 언어 이제 우리를 도울 수있는보다 효과적인 도구를 볼 수있었습니다 데이터를 마이닝하는 것 하지만 하루가 끝나면 우리가 그 일을하는 이유는 무엇입니까? 목적은 무엇입니까? 우리에게 중요한 것은 무엇인가, 그래서 우리는 왜 내 것이 원하는가? 이 데이터? 왜 우리가 여기에서하고 싶지 않은가? 첫눈에 인간의 책임 줄어들고있다

나는 그것이 반대라고 생각한다 우리는 너무 많이 움직일 필요가 없지만 작은 변화에 의해 움직입니다 각도의 정도를 알 수 있습니다 이 총알이 실제로 큰 차이를 만들 수 있습니다 목표에 도달합니다

AI와 동일합니다 더 많은 전력이 실제로 시작 기회를 제공합니다 가질 수있는 작은 조정 만하면됩니다 엄청난 결과 >> 커다란 문을 열면 정보가 더 좋아지기 때문입니다

>> 인공은 공상 과학이라고 생각합니다 >> 그것에 대해 인공적인 것이 무엇인지, 나는 이해하지 못한다 >> 인공, 공상 과학 영화이기 때문에 쉽게 팔 수 있습니다 그러나 증강 된 이유는 그것이 무엇 때문입니다 우리의 지능형 기계는 우리를 더 똑똑하게 만듭니다

과거의 기술과 같은 방식으로 우리를 만들었습니다 강하고 빠릅니다 >> 인공 마력이 아닙니다 >> 그것은 무언가에서 만들어졌습니다 >> 정확하게, 그것은 무언가에서 만들어졌습니다

기계가 자체 코드를 조정할 수 있다고해도 좋습니다 그것은 여전히 ​​매개 변수 안에 갇혀있을 것입니다 작업의 그들은 다시 할 수 있기 때문에 그것들을 넘어 설 수는 없습니다 대답 질문 그들은 오직 당신에게 답을 줄 수 있습니다

우리는 질문을 제공하므로 매우 중요합니다 우리가 주도적 역할을 수행 할 것임을 인식해야합니다 그래서 나는 목자라는 용어를 사용합니다 >> 요즘 어떻게 지내십니까? 너는 분명히 쓰고있어, 너는 말하고있어 >> 글쓰기, 말하기, 전 세계 여행 왜냐하면 저는 많은 회의에 참석해야하기 때문입니다

AI는 이제 매우 뜨거운 주제입니다 또한 내가 언급 한대로 나는 의장이다 인권 재단 나는 사람들을 돕기위한 나의 책임 싸우고있는 전 세계의 반체제 인사들 그들의 원칙과 자유를 위해 우리 조직은 가장 큰 반체제 모임을 운영합니다 세상에

그것은 자유 포럼이라고 불립니다 우리는 열 번째 기념일이며, 이번 5 월 열 번째 행사입니다 >> 즐거움이었습니다 게리 카스파로프, theCube에 살고있다 바로 뒤에 뉴욕시에서 더 많은 것을 가지고 돌아 오십시오

(활발한 기악)