Inside google's ai herschrijven: machine learning in alles integreren

Makoto Koike is een komkommerboer in Japan. Koike is een voormalig embedded systeemontwerper die jaren in de Japanse auto-industrie heeft gewerkt, maar in 2015 keerde hij terug naar huis om te helpen op de komkommerboerderij van zijn ouders. Hij realiseerde zich al snel dat de handmatige taak om komkommers te sorteren op kleur, vorm, grootte en attributen zoals "neteligheid" vaak lastiger en moeilijker was dan ze te laten groeien. Geïnspireerd door de diepgaande leerinnovatie van de kunstmatige intelligentie (AI) -software van Google, AlphaGo, wilde hij de taak automatiseren.

Bedrijven beginnen praktische AI ​​op allerlei manieren te implementeren, maar het is veilig om te zeggen dat niemand Koike's AI-oplossing voor komkommersortering zag aankomen. Koike had nog nooit met AI-technieken gewerkt, maar met behulp van de open-source TensorFlow machine learning (ML) bibliotheek begon hij afbeeldingen van komkommers in te voeren. Dankzij computer vision-algoritmen voor het herkennen van objecten en diep leren om TensorFlow te trainen op de nuances van verschillende komkommers, realiseerde Koike dat het de groenten met een hoge nauwkeurigheid kon identificeren en sorteren. Vervolgens, door niets anders te gebruiken dan TensorFlow en een goedkope Raspberry Pi 3-computer, bouwde Koike een geautomatiseerde sorteermachine die de boerderij nog steeds gebruikt.

TensorFlow is een van de vele open-source algoritmen en tools die een revolutie teweegbrengen in wat bedrijven en ontwikkelaars kunnen oplossen met behulp van AI. Het bedrijf breidde zijn missie uit om "de voordelen van AI voor iedereen te brengen" met de release van Google.ai op zijn Google I / O-conferentie, waarbij alle AI-middelen werden gebundeld in een verenigd platform. Google neemt deze technieken en applicatie-programmeerinterfaces (API's) ook op in alles wat het doet, ML in zijn producten bakken en fundamenteel opnieuw definiëren hoe zijn software in het proces werkt.

PCMag heeft onlangs Googleplex bezocht en gesproken met leidinggevenden van G Suite, Google Cloud Platform (GCP) en het bedrijf Machine Learning Advanced Solution Lab (ML ASL) over hoe Google zichzelf opnieuw opbouwt met AI.

Kunstmatige intelligentie overal

Stel dat een van uw klanten een probleem heeft. Een agent van de helpdeskafdeling van uw bedrijf is in een livechat met de klant via een chat-app die gegevens opslaat op Google Cloud Platform. Om hen te helpen het probleem op te lossen, moet de gebruiker de agent gevoelige persoonlijke gegevens sturen. Laten we zeggen dat de klant je oma is. De medewerker van de klantenservice vraagt ​​oma om een ​​paar gegevens, maar in plaats daarvan stuurt oma veel meer informatie dan nodig wanneer ze een foto van haar socialezekerheidskaart naar de chat uploadt.

In plaats van dat Google die persoonlijk identificeerbare informatie (PII) archiveert, verschijnt de afbeelding met het sofi-nummer en andere PII die automatisch worden gewijzigd. De agent ziet nooit informatie die ze niet nodig hebben en geen van die gegevens gaat naar het gecodeerde archief van Google. Tijdens een demo van de DLP API-technologie op het hoofdkantoor van Google in Mountain View, Californië, trok het bedrijf het doek terug over hoe ML-algoritmen tekst en afbeeldingen analyseren om dit mogelijk te maken.

Rob Sadowski, Trust en Security Marketing Lead voor Google Cloud, legde uit dat de automatische redactie mogelijk wordt gemaakt door de API voor gegevensverliespreventie (DLP) van Google die onder de oppervlakte werkt om gevoelige gegevens te classificeren. Het algoritme doet hetzelfde met gegevens zoals creditcardnummers en kan ook patronen analyseren om te detecteren wanneer een nummer nep is. Dit is slechts een voorbeeld van de subtiele strategie van Google om AI in zijn ervaringen te weven en bedrijven en ontwikkelaars zoals Koike de middelen te geven om hetzelfde te doen.

Google is verre van de enige technologiegigant die een connectieve intelligentielaag in zijn software inbouwt, maar Google heeft, samen met Amazon en Microsoft, misschien wel de meest uitgebreide breedte van cloudgebaseerde intelligentiehulpmiddelen en -services die beschikbaar zijn. Als u de producten van het bedrijf opsplitst, vindt u vrijwel overal Google Assistant en verschillende ML- en computer vision-API's.

Google Search gebruikt ML-algoritmen in zijn RankBrain AI-systeem voor het verwerken en verfijnen van zoekopdrachten, het opnieuw rangschikken en aggregeren van gegevens op basis van een groot aantal veranderende factoren om de kwaliteit van zoekresultaten continu te verbeteren. Google Photos gebruikt computer vision om gerelateerde foto's samen te voegen in herinneringen en meerdere foto's van dezelfde locatie te combineren in panorama's. Inbox biedt gebruikers automatisch gegenereerde slimme antwoorden om uit te kiezen en haalt relevante e-mails op door vergelijkbare categorieën samen te bundelen. De nieuwe Google Allo-chat-app van het bedrijf wordt geleverd met ingebouwde Google Assistent. De lijst gaat door.

Al deze apps draaien op de cloudinfrastructuur van Google en het bedrijf past zelfs ML toe in zijn datacenters om het energieverbruik te verminderen door koelpompen aan te passen op basis van belasting- en weergegevens. Sadowski zei dat dit ook dient als de laatste verdedigingslaag in de beveiligingsstrategie van Google, waarbij het bedrijf machine-intelligentie en risicoscore gebruikt in zijn beveiligingsstack om te bepalen of een systeem in gevaar wordt gebracht met voorspellende analyses.

"Google neemt al deze ML- en AI-modellen die we hebben ontwikkeld en stemt ze af voor de veiligheid", legt Sadowski uit. "Beveiliging verandert veel ingrijpender dan de meeste IT-sectoren. Producten die drie of vier jaar geleden de kern van uw beveiligingsinfrastructuur vormden, zoals firewalls en eindpuntbeveiliging, zijn nog steeds belangrijk, maar we willen diepgaand, op schaal en door verdediging bieden standaard via een multi-tenant infrastructuur met miljoenen dagelijkse actieve gebruikers.

"Het begint met de onderliggende datacenterhardware, " vervolgde Sadowski. "Daar bovenop komen applicatieservices en authenticatie met volledig gecodeerde gegevens en communicatie. Daar bovenop is gebruikersidentiteit. En de laatste verdedigingslaag is hoe we werken met 24/7 monitoring, detectie en respons op incidenten. Het is hoe we oplossen voor dingen als veilige externe toegang met de identiteitsbewuste proxy. Het is de programmatische DLP-service die datalekken opspoort en voorkomt en helpt bij data governance en beveiliging. We willen deze mogelijkheden gemakkelijk, consumeerbaar maken en op schaal laten werken."

Een slimmere G-suite

ML is ook ingebed in Google's G Suite-productiviteitsapps. Allan Livingston, directeur Productbeheer voor G Suite, heeft enkele manieren uiteengezet waarmee AI G Suite slimmer en contextueler maakt zonder dat gebruikers het door hebben.

"Denk na over hoe G Suite al deze applicaties op een natuurlijk geïntegreerde manier samenbrengt", aldus Livingston. "Je begint je werk in een van hen en stroomt door waar van toepassing. Je opent een Gmail-bijlage in Drive, en dat brengt je naar Documenten; het is echt automatisch.

"We proberen er voor de gebruiker niet meer over na te denken en dat betekent ook machine learning. We zijn begonnen met slimme antwoorden in Inbox en we hebben veel succes gehad met Gmail, en dat heeft geleid tot de Explore-functie in Documenten, Spreadsheets en dia's."

Explore is afgelopen herfst uitgerold en past natuurlijke taalverwerking (NLP) toe op de in-app productiviteitservaring. In Documenten geeft Explore u onmiddellijke suggesties op basis van de inhoud in uw document en beveelt automatisch gerelateerde onderwerpen en bronnen aan. In Presentaties genereert het ontwerpsuggesties om de opmaak van presentaties te verminderen. De meest interessante use case is echter in Spreadsheets. Livingston legde uit hoe Explore ML gebruikt om gegevensanalyse en BI-inzichten te vereenvoudigen.

"Veel gebruikers weten niet wat zoiets als een draaitabel is of hoe ze het kunnen gebruiken om een ​​gegevensblad te visualiseren, " legde Livingston uit. "Stel dat u te maken hebt met verkoopgegevens voor een klant, waarbij elke rij een item is dat is verkocht. Met Verkennen kunt u vragen in natuurlijke taal typen, zoals 'Wat is het topitem op Black Friday?' en spuugt een reactie uit als 'Je hebt 563 broeken verkocht.' We pakken gegevensanalyse aan op een manier die tijd bespaart bij het nemen van gegevensgestuurde beslissingen, met behulp van machine learning om een ​​veel voorkomend probleem op een natuurlijke manier te verbeteren."

Een demo van de Explore-functie in Spreadsheets, van de Google Cloud NEXT-conferentie afgelopen maart.

Volgens Livingston is Google van plan dit soort ML-driven cloud search uit te breiden naar derden en er een ecosysteem omheen te bouwen. Het overkoepelende idee is een gemeenschappelijk thema in praktische AI: handmatige processen automatiseren om gebruikers vrij te maken voor creatiever werk. Dat idee vormt de kern van de meeste apps van ML-apps: herhaalbare bedrijfsprocessen en dagelijkse taken automatiseren, waaronder het sorteren van komkommers.

"In het bedrijfsleven en bij consumenten hebben gebruikers deze natuurlijke interactiepatronen. De verschuiving naar de cloud en de mobiele productiviteit verandert de manier waarop mensen werken echt, en deze toegepaste technieken voor machinaal leren zijn van fundamenteel belang", aldus Livingston. "Vanwege onze kracht in machine learning, omdat onze producten als basis dienen, vanwege alle gegevens in onze cloud, bevinden we ons in een unieke positie om dat oneindig toe te passen en op te schalen."

Een revolutie in machine learning mogelijk maken

De basis van alles wat Google doet rond AI is geworteld in zijn API's, algoritmen en open-source tools. De TensorFlow-bibliotheek van het bedrijf is de meest gebruikte ML-tool op GitHub, die apps zoals de komkommersorteerder van Koike voortbrengt. De reeks API's die ten grondslag liggen aan Google Cloud - algoritmen die computervisie, video-intelligentie, spraak en NLP, voorspellingsmodellering en grootschalige ML via de Google Cloud Machine Learning Engine omvatten - is de technologie die elke AI-functie aandrijft die is geïntegreerd in de apps en services van Google en nu ook het Google.ai-platform.

Francisco Uribe, productmanager voor het AI / ML-team van Google Cloud, werkt in het hart van de motor die herschrijft hoe Google werkt. Uribe houdt toezicht op de eerder genoemde ML ASL van Google, een laboratorium met een meeslepend programma waarin Google ML-experts rechtstreeks samenwerken met ondernemingen om AI-oplossingen te implementeren. Door de API's van Google en de Cloud ML Engine te gebruiken, werkt het lab met bedrijven om hun eigen modellen te trainen en in productie te nemen.

Uribe werkt al meer dan tien jaar in de AI-ruimte. Hij richtte BlackLocus op, een datagedreven startup die een geautomatiseerde prijsmodule voor retailers bouwde, die in 2012 door Home Depot werd overgenomen. Daarna trad hij in dienst bij Google en werkte hij vier jaar aan het Search Ads-team dat ML toepaste om de advertentie-ervaring te verbeteren. In 2016 stapte hij in een onderzoeksrol met de ML ASL en fungeerde hij als mentor in Launchpad Accelerator van Google. Uribe zei dat hij voortdurend verrast is door hoe bedrijven en ontwikkelaars de tools van Google gebruiken.

"We hebben gebruiksscenario's overal gezien - van gezondheidszorg en financiën tot detailhandel en landbouw, " zei Uribe. "We proberen klanten te helpen de perceptiemogelijkheden te verbeteren. Spraakvertaling, beeldanalyse, video-API's, natuurlijke taal: ze maken allemaal deel uit van de democratisering van de toegang tot machine- en deep learning-algoritmen, die eindelijk van toepassing zijn geworden."

De ML ASL heeft samen met HSBC Bank plc, een van de grootste bank- en financiële dienstverleners ter wereld, gewerkt aan ML-oplossingen voor het witwassen van geld en voorspellende kredietwaardering. De ML ASL heeft ook samengewerkt met de United Services Automobile Association (USAA), een Fortune 500-financiële groep van bedrijven, om de ingenieurs van de organisatie te trainen in ML-technieken die worden toegepast op specifieke verzekeringsscenario's. eBay gebruikte de tools van Google om zijn ShopBot digitale assistent te trainen. Wanneer de ML ASL met een bedrijf werkt, legde Uribe de vier pijlers uit waaruit het proces bestaat.

"U hebt een krachtig rekenaanbod nodig om de extreme vereisten van ML-taken aan te kunnen, en GCP's gedistribueerde glasvezelbackbone verplaatst gegevens zeer efficiënt van knooppunt naar knooppunt", aldus Uribe. "We hebben de Cloud Machine Learning Engine om klanten te helpen bij het trainen van modellen. We helpen klanten bij het uitvoeren van gegevens met toegang tot de community van Kaggle van meer dan 800.000 actieve datawetenschappers. Ten slotte heb je het talent nodig om daar te zijn, dus aan de onderzoekskantoor, we hebben het Brain Residency-programma om ingenieurs op te leiden in een complex ML-curriculum. We zien dit als de bouwstenen om klanten te helpen intelligente applicaties te bouwen."

Dit alles voedt de open-sourcecommunity en het externe ecosysteem dat Google bouwt rond zijn AI-technologie. Het bedrijf kondigde eerder dit jaar zelfs een ML-startupcompetitie aan, die tot $ 500.000 aan investeringen aan ML-startups toekent. Uribe sprak over enkele van de innovatieve applicaties die hij al van de technologie van Google heeft gezien en waar andere mogelijkheden zouden kunnen liggen.

"Stel dat u een analysebedrijf voor klantenservice bent. Denk aan een spraak-API om de inhoud van oproepen te transcriberen en vervolgens aan sentimentanalyse om de kwaliteit van uw klantenservice te verbeteren, " zei Uribe. "Gebruik de vision-API om een ​​foto te maken van een straatnaambord in het buitenland en vervolgens de vertaal-API om die inhoud in realtime te vertalen via een app-ervaring. Het gaat niet alleen om het vergroten van de efficiëntie, het gaat om het creëren van nieuwe en unieke gebruikerservaringen."

Uribe ziet tools zoals TensorFlow als de geweldige enabler voor grootschalige ML-acceptatie in de markt. Deze technologieën zijn niet alleen de kern geworden van wat Google is en hoe de technologiegigant productontwikkeling benadert, maar Uribe gelooft dat wijd beschikbare ML-technologie bedrijven zal helpen optimaliseren, nieuwe inkomstenstromen opent en een nieuwe klasse van intelligente apps uitvindt.

"Zie het als een nieuwe industriële revolutie", zei Uribe. "We zien dat deze tools orders van grootte mogelijk maken in efficiëntie en ervaringen die je nog nooit eerder hebt gezien. Het is verbazingwekkend om te zien hoe startups het toepassen. Kijk naar de komkommerboer in Japan. Hij gebruikte TensorFlow om een ​​model te bouwen voor het classificeren en het sorteren van komkommers op basis van patronen, grootte, structuren, enz., en vervolgens gespecialiseerde hardware bouwde om het uit te voeren. Dat niveau van democratisering is ongelooflijk om te zien en we hebben nauwelijks het oppervlak gekrast."