„Google“ siūlo debesimis pagrįstą mokymosi variklį

Nuo „Amazon“ produktų rekomendacijų iki „Pandora“ galimybės rasti mums naujas mums patinkančias dainas – išmaniausios žiniatinklio paslaugos remiasi mašininiu mokymusi – algoritmais, leidžiančiais programinei įrangai išmokti reaguoti į naują informaciją ar įvykius tam tikru intelektu.

Dabar „Google“ išleido paslaugą, kuri gali suteikti tokių išmaniųjų dar daugiau programų. „Google“ numatymo API yra paprastas būdas kūrėjams sukurti programinę įrangą, kuri mokosi tvarkyti gaunamus duomenis. Pavyzdžiui, „Google“ priglobtus algoritmus būtų galima išmokyti rūšiuoti el. laiškus į skundų ir pagyrimų kategorijas, naudojant duomenų rinkinį, kuriame pateikiama daug abiejų tipų pavyzdžių. Tada ateityje el. laiškai galėtų būti tikrinami naudojant tą API programinę įrangą ir atitinkamai tvarkomi.

Šiuo metu tik šimtai kūrėjų turi prieigą prie paslaugos, sako Travis Greenas, „Google“ Prediction API produkto vadovas, tačiau jau dabar matome, kad žmonės daro nuostabių dalykų. Pasak jo, vartotojų yra įvairių – nuo ​​mobiliųjų ir žiniatinklio programų kūrėjų iki naftos kompanijų. Daugelis nori rekomenduoti gaminius, taip pat yra įdomių NVO naudojimo atvejų, susijusių su idėjomis, pavyzdžiui, iš „Twitter“ ar kitų šaltinių internete.

Mašinų mokymasis nėra lengva funkcija integruoti į programinę įrangą. Įvairių tipų duomenims geriausiai tinka skirtingi algoritmai ir matematiniai metodai. Green sako, kad norint jas naudoti gaminyje, paprastai reikia specialių žinių apie mašininį mokymąsi.

„Google“ paslauga suteikia tam tikrą mašininio mokymosi juodąją dėžę – viename gale patenka duomenys, o kitame – prognozės. Yra trys pagrindinės komandos: viena įkelia duomenų rinkinį, kita nurodo tarnybai, kad ji sužinotų, ką ji gali iš jų, ir trečioji – pateikia naujų duomenų, į kuriuos sistema reaguotų pagal tai, ką sužinojo.

Kūrėjai gali jį įdiegti savo svetainėje arba programoje per 20 minučių, sako Greenas. Stengiamės teikti tikrai nesudėtingą paslaugą, kuri nereikalauja, kad jie kiekvieną mėnesį praleistų bandydami skirtingus algoritmus. „Google“ juodojoje dėžėje iš tikrųjų yra daugybė skirtingų algoritmų. Kai duomenys įkeliami, visi algoritmai yra automatiškai taikomi siekiant išsiaiškinti, kuris geriausiai tinka konkrečiam darbui, o geriausias algoritmas naudojamas bet kokiai naujai pateiktai informacijai tvarkyti.

Labai svarbu, kad mašininis mokymasis taptų „Google“ mastu, sako Joelis Confino, programinės įrangos kūrėjas Filadelfijoje, kuriantis didelės apimties žiniatinklio programas bankams ir farmacijos įmonėms ir peržiūros programos narys. Jis naudojo Prediction API, kad greitai sukurtų paprastą, bet veiksmingą pašto šiukšlių filtras , ir jis sako, kad paslauga turi aiškų komercinį potencialą.

Pavyzdžiui, bankas ar kreditinių kortelių įmonė, norinti naudoti mašininį mokymąsi kurdama sistemas, kurios priima sprendimus remiantis istorinėmis operacijomis, greičiausiai neturės specializuoto personalo ir reikalingos infrastruktūros, kad būtų galima atlikti daug skaičiavimų. Ši API galėtų būti būdas pigiai gauti galimybę, kuri kainuotų didžiulę sumą naudojant tradicinį maršrutą.

Naujoji „Google“ paslauga taip pat gali patikti įmonėms, kurios nebijo perduoti savo duomenų debesų paslaugų teikėjams, sako Confino. Duomenys gali būti visiškai užmaskuoti, ir jūs vis tiek galite naudotis šia paslauga. „Google“ neturi žinoti, ar tie numeriai, kuriuos jai siunčiate, yra akcijų ar būsto kainos.

Tačiau „Google“ gauna tam tikros informacijos, kurią gali panaudoti tobulindama mašininio mokymosi algoritmus. Nežiūrime į naudotojų duomenis, bet matome tą pačią numatymo kokybės metriką, kurią jie daro, kad padėtume patobulinti paslaugą, sako Greenas. Inžinieriai, naudojantys Prediction API, žinos, ar konkretus algoritmas naudojamas retai, ar į rinkinį reikia įtraukti naują, kad būtų geriau apdoroti tam tikrų tipų duomenys.

„Prediction API“ gali būti lygmeniu tarp įsitvirtinusių įmonių ir mažesnių pradedančiųjų įmonių, sako Pete'as Wardenas, buvęs „Apple“ inžinierius, dabar dirbantis su savo startuoliu. OpenHeatMap.com . Tai buvo konkurencinis pranašumas didelėms įmonėms, tokioms kaip „Amazon“, kurių produktų rekomendacijos remiasi mašininiu mokymusi, aiškina jis. Dabar jūs vis tiek turite turėti tinkamą treniruočių duomenų rinkinį, bet neprivalote turėti tokio paties lygio patirties.

Wardenas dar neturi prieigos prie Prediction API, tačiau planuoja jį naudoti tobulinimui jo sukurta paslauga rodo, kur yra žmonės, naudojantys tam tikrą žodį ar frazę Twitter. Taip pat būtų įdomu pamatyti, kur jie sako teigiamus ir neigiamus dalykus, sako Wardenas. Prognozavimo API galėtų būti išmokyta atskirti teigiamus ir neigiamus tviterius, kad tai padarytų, sako jis.

Chrisas Batesas, duomenų mokslininkas, teikiantis internetinę muzikos paslaugą Grooveshark ir peržiūros programos narys, sutinka, kad „Google“ juodoji dėžė leis plačiau panaudoti mašininį mokymąsi, tačiau jis tvirtina, kad paslauga turi tobulėti. Jis sako, kad šiandien gerai nuspėti, kokia kalba yra tekstas, ir analizuoti nuotaikas, pavyzdžiui, atsirinkti teigiamus ir neigiamus atsiliepimus.

Tačiau galiausiai negalėjimas patikrinti vidinio algoritmų veikimo ir tiksliai suderinti juos konkrečiam naudojimui gali turėti savo ribas. Tai tinka atvejams, kurie nėra labai svarbūs, kai galite sau leisti keletą klaidingų teigiamų rezultatų, sako Batesas. Pavyzdžiui, šlamšto filtras, kuris retkarčiais perduoda nepageidaujamą pranešimą, vis tiek gali būti naudojamas, tačiau kredito kortelių įmonė gali mažiau priimti klaidas.

paslėpti