Hvorfor Facebook trenger en hær av mennesker for å hjelpe maskiner med å gjenkjenne en katt

Facebook leter etter nye måter å bruke maskinlæring Nick Heath diskuterer utfordringene og mulighetene som Facebook møter når de ser etter nye applikasjoner for maskinlæring.


Bedrifter som Facebook og Google er alltid på jakt etter nye applikasjoner for AI og maskinlæring. Jeg fanget opp Nick Heath for å snakke om intervjuet hans med AI Engineering Chief for Facebook. Følgende er et redigert utskrift av intervjuet vårt.

Nick Heath : Så det er et par store hindringer. En stor en er at det krever så mye data for å trene disse maskinlæringssystemene. De lærer i utgangspunktet av eksempler, så du kan tenke på et system som har millioner og millioner bilder med katter i seg, som er merket for å si at dette bildet har en katt. Men problemet er at du trenger mer og mer data for å øke nøyaktighetsgraden. Og når tiden går, trenger de mer og mer data, og arbeidskraften som kreves for å merke millioner, og den er nå opp til en milliard skala, er bare for mye. Så det er virkelig et av de store problemene er å ha nok arbeidskraft til å merke dataene som disse systemene trenger.

Den andre siden av det er at det også er behov for mye konkurrerende krefter. Så jeg snakket med meg, sa Facebook AI Platform Chief at bare trening av en av disse bildegjenkjenningsmodellene krever en tilsvarende mengde datakraft som hvis du ga hver person i London en operasjon å gjøre, ville det ta dem 4000 år å fullføre det. Så du kommer til skalaen med data, du kommer inn i skalaen med konkurrerende kraft som krever et helt datasenter.

Mer om kunstig intelligens

  • Google DeepMind-grunnlegger Demis Hassabis: Tre sannheter om AI
  • De 10 mest etterspurte AI-jobbene i verden
  • De 3 mest oversett begrensningene av AI i virksomheten
  • Hvordan bli maskinlæringsingeniør: Et jukseark

Karen Roby : Så det er en viktig oppgave å til og med begynne å behandle Nick. Så hva med løsninger. Snakket han om det? Hvordan de skal møte disse utfordringene?

Nick Heath : Ja, så i utgangspunktet prøver de å kutte menneskene ut av løkken, fordi det er det manuelle overhead som er det virkelige problemet. Så de ser på automatiserte løsninger. Det Facebook har gjort er å bruke hashtags tilknyttet bilder på Instagram for å merke dem. Og ved å gjøre det klarte de å lage et merket datasett på 3, 5 milliarder bilder. Så dette er det som driver dem opp til den enorme skalaen med data som de virkelig trenger for å trene opp disse systemene.

Og så fra maskinvaresynspunktet det du finner er at selskaper som Google lager egne tilpassede brikker som er designet for å utmerke seg med den type beregninger som maskinlæring krever. All tilpasningen gjøres faktisk på silisiumnivå, i maskinvaren. Et eksempel på disse er det som kalles applikasjonsspesifikke integrerte kretsløp eller ASIC-er Googles tensor-prosesseringsenheter som akkurat begynner å rulle ut over skyplattformene sine.

Karen Roby : Hva mente han Nick i intervjuet ditt da han snakket om maskinlærings Moore's Law?

Nick Heath : Vel Moore's Law var observasjonen gjort av Intel-ingeniøren Gordon Moore, om at antallet transistorer på en brikke skulle dobles hvert annet år. Og det er virkelig det som har drevet mange av fremskrittene innen databehandling de siste tiårene. Det begynner å avta nå, men det har virkelig vært forandringsmotoren i den konkurrerende industrien. Og det han sa var fremgang på området kunstig intelligens, vil kreve gjennombrudd av forskningen. Og dette er grunnen til at han refererte til Moore's Law fordi han sa at antallet forskningsartikler som blir skrevet nå som siterer dette seminearbeidet om maskinlæring som ble skrevet av en forsker ved navn Yann LeCun.

Antallet sitasjoner på papiret vokser bare med en eksponentiell hastighet, og det gjenspeiler i utgangspunktet denne eksplosjonen i frekvensen av maskinlæringsrelatert forskning, som bare vil føre til en økt sjanse for gjennombrudd. For uten at forskningen er der, har du ingen sjanser til gjennombrudd, men med at det er så mye forskning som foregår for øyeblikket, sier han at dette kommer til å være den motoren som virkelig vil drive fremover i fremskritt AI.

Karen Roby : Wow, fascinerende forandringer der Nick. Tusen takk for at du snakket her med oss, for mer om Nick sitt intervju, bare sjekk ut TechRepublic.

Nyhetsbrev om innovasjon

Vær kjent med smarte byer, AI, Internet of Things, VR, AR, robotikk, droner, autonom kjøring og mer av de kuleste teknologiske nyvinningene. Leveres onsdager og fredager

Registrer deg i dag

Se også

  • Fem trinn for å komme i gang med AI i virksomheten din (TechRepublic)
  • Hva proffene trenger å vite om SAPs 5 nye maskinlæringstjenester (TechRepublic)
  • Google sier at "eksponentiell" vekst av AI endrer beregningens art (ZDNet)
  • AI og automatisering er ikke raske gevinster. Invester uansett. (ZDNet)

© Copyright 2021 | pepebotifarra.com