Andrew Ng: Dimentica di creare un business basato sull'intelligenza artificiale. Inizia con una missione.

Jeremy Portje

Andrew Ng ha indossato molti cappelli nella sua vita. Potresti conoscerlo come il fondatore del Il team del cervello di Google o l'ex capo scienziato di Baidu . Potresti anche conoscerlo come il tuo istruttore. Ha insegnato a innumerevoli studenti, ascoltatori curiosi e leader aziendali i principi dell'apprendimento automatico attraverso i suoi corsi online estremamente popolari.

Ora nella sua ultima avventura, Atterraggio AI , che ha iniziato nel 2017, sta esplorando come le aziende senza enormi set di dati su cui attingere possano ancora unirsi alla rivoluzione dell'IA.

Il 23 marzo, Ng si è unito all'EmTech Digital virtuale del MIT Technology Review, il nostro evento annuale sull'IA, per condividere le lezioni che ha imparato.

Questa intervista è stata condensata e leggermente modificata per chiarezza.

Revisione della tecnologia del MIT: sono sicuro che le persone ti chiedono spesso, come faccio a costruire un'attività basata sull'intelligenza artificiale? Cosa dici di solito a questo?

Andrew Ng: Di solito dico, non farlo. Se vado in un team e dico: Ehi, tutti, per favore, siate prima di tutto l'IA, questo tende a concentrare il team sulla tecnologia, il che potrebbe essere ottimo per un laboratorio di ricerca. Ma in termini di come eseguo l'attività, tendo a essere guidato dal cliente o guidato dalla missione, quasi mai guidato dalla tecnologia.

Ora hai questa nuova impresa chiamata Landing AI. Puoi dirci un po' di cosa si tratta e perché hai scelto di lavorarci?

Dopo aver guidato i team di intelligenza artificiale di Google e Baidu, mi sono reso conto che l'intelligenza artificiale ha trasformato l'Internet dei consumatori di software, come la ricerca sul Web e la pubblicità online. Ma volevo portare l'IA in tutti gli altri settori, che è una parte ancora più grande dell'economia. Quindi, dopo aver esaminato molti settori diversi, ho deciso di concentrarmi sulla produzione. Penso che più settori siano pronti per l'IA, ma uno dei modelli per un settore più pronto per l'IA è se ha subito una trasformazione digitale, quindi ci sono alcuni dati. Ciò crea un'opportunità per i team di IA di utilizzare i dati per creare valore.

Quindi uno dei progetti che mi ha entusiasmato di recente è la produzione di ispezioni visive. Riesci a guardare l'immagine di uno smartphone che esce dalla linea di produzione e vedere se c'è un difetto? Oppure guarda un componente dell'auto e vedi se c'è un'ammaccatura? Un'enorme differenza è nel software di consumo Internet, forse hai un miliardo di utenti e un'enorme quantità di dati. Ma nella produzione, nessuna fabbrica ha prodotto un miliardo o addirittura un milione di smartphone graffiati. Grazie al cielo per quello. Quindi la sfida è: puoi far funzionare un'IA con un centinaio di immagini? Si scopre che spesso puoi. In realtà sono stato sorpreso molte volte da quanto puoi fare anche con quantità modeste di dati. E quindi, anche se tutto il clamore, l'entusiasmo e le pubbliche relazioni intorno all'IA sono sui set di dati giganti, sento che c'è molto spazio di cui abbiamo bisogno per crescere anche per aprire queste altre applicazioni in cui le sfide sono piuttosto diverse.

Come si fa a farlo?

Un errore molto frequente che vedo commettere da CEO e CIO: mi dicono qualcosa come Ehi, Andrew, non abbiamo molti dati, i miei dati sono un disastro. Quindi dammi due anni per costruire una grande infrastruttura IT. Quindi avremo tutti questi fantastici dati su cui costruire l'IA. Dico sempre, è un errore. Non farlo. Innanzitutto, non credo che nessuna azienda sul pianeta oggi, forse nemmeno i giganti della tecnologia, pensi che i propri dati siano completamente puliti e perfetti. È un viaggio. Trascorrere due o tre anni per costruire una bella infrastruttura di dati significa che ti manca il feedback del team di intelligenza artificiale per stabilire la priorità dell'infrastruttura IT da costruire.

Ad esempio, se hai molti utenti, dovresti dare la priorità a porre loro domande in un sondaggio per ottenere un po' più di dati? O in una fabbrica, dovresti dare la priorità all'aggiornamento del sensore da qualcosa che registra le vibrazioni 10 volte al secondo a forse 100 volte al secondo? Spesso si inizia a realizzare un progetto di intelligenza artificiale con i dati che già possiedi che consentono a un team di intelligenza artificiale di fornirti il ​​feedback per aiutarti a stabilire la priorità dei dati aggiuntivi da raccogliere.

Nei settori in cui semplicemente non abbiamo la scala di Internet del software di consumo, sento che dobbiamo cambiare mentalità grande dati a Buono dati. Se hai un milione di immagini, vai avanti, usalo: è fantastico. Ma ci sono molti problemi che possono utilizzare set di dati molto più piccoli che sono etichettati in modo pulito e accuratamente curati.

Potresti fare un esempio? Cosa intendi per dati validi?

Permettetemi prima di fare un esempio dal riconoscimento vocale. Quando lavoravo con la ricerca vocale, ricevevi clip audio in cui avresti sentito qualcuno dire: Uhm, il tempo di oggi. La domanda è: qual è la trascrizione giusta per quella clip audio? È Um (virgola) il tempo di oggi, o è Um (punto, punto, punto) il tempo di oggi, o Um è qualcosa che semplicemente non trascriviamo? Si scopre che uno qualsiasi di questi va bene, ma ciò che non va bene è se trascrittori diversi utilizzano ciascuna delle tre convenzioni di etichettatura. Quindi i tuoi dati sono rumorosi e danneggiano il sistema di riconoscimento vocale. Ora, quando hai milioni o un miliardo di utenti, puoi avere quei dati rumorosi e fare la media: l'algoritmo di apprendimento andrà bene. Ma se ti trovi in ​​un ambiente in cui hai un set di dati più piccolo, ad esempio un centinaio di esempi, allora questo tipo di dati rumorosi ha un enorme impatto sulle prestazioni.

Un altro esempio dalla produzione: abbiamo lavorato molto sull'ispezione dell'acciaio. Se guidi un'auto, il lato della tua auto una volta era fatto di una lamiera d'acciaio. A volte ci sono piccole rughe nell'acciaio, o piccole ammaccature o macchie su di esso. Quindi puoi usare una fotocamera e una visione artificiale per vedere se ci sono difetti o meno. Ma diversi etichettatori etichetteranno i dati in modo diverso. Alcuni metteranno un gigantesco rettangolo di selezione intorno all'intera regione. Alcuni metteranno piccole scatole di delimitazione attorno alle piccole particelle. Quando si dispone di un set di dati modesto, assicurarsi che i diversi ispettori della qualità etichettino i dati in modo coerente, questa risulta essere una delle cose più importanti.

Per molti progetti di intelligenza artificiale, il modello open source che scarichi da GitHub, la rete neurale che puoi ottenere dalla letteratura, è abbastanza buono. Non per tutti i problemi, ma per i problemi principali. Quindi sono andato in molti dei miei team e ho detto: Ehi, tutti, la rete neurale è abbastanza buona. Non scherziamo più con il codice. L'unica cosa che farai ora è creare processi per migliorare la qualità dei dati. E si scopre che spesso si traduce in miglioramenti più rapidi delle prestazioni dell'algoritmo.

Qual è la dimensione dei dati a cui stai pensando quando dici set di dati più piccoli? Parli di cento esempi? Dieci esempi?

L'apprendimento automatico è così vario che è diventato davvero difficile dare risposte valide per tutti. Ho lavorato su problemi in cui avevo da 200 a 300 milioni di immagini. Ho anche lavorato su problemi in cui avevo 10 immagini e tutto il resto. Quando guardo alle applicazioni di produzione, penso che qualcosa come decine o forse un centinaio di immagini per una classe di difetti non sia insolito, ma c'è una variazione molto ampia anche all'interno della fabbrica.

Trovo che le pratiche di intelligenza artificiale cambino quando le dimensioni del set di addestramento scendono, diciamo, a 10.000 esempi, perché questa è una sorta di soglia in cui l'ingegnere può sostanzialmente guardare ogni esempio e progettarlo da solo e quindi prendere una decisione.

Recentemente stavo chattando con un ottimo ingegnere in una delle grandi aziende tecnologiche. E ho chiesto, Ehi, cosa fai se le etichette sono incoerenti? E lui ha detto, beh, abbiamo questo team di diverse centinaia di persone all'estero che si occupa dell'etichettatura. Quindi scriverò le istruzioni per l'etichettatura, farò in modo che tre persone etichettino ogni immagine e poi prenderò una media. E ho detto, sì, è la cosa giusta da fare quando hai un set di dati gigantesco. Ma quando lavoro con un team più piccolo e le etichette sono incoerenti, rintraccio le due persone che non sono d'accordo tra loro, le faccio chiamare entrambe su Zoom e le faccio parlare tra loro per cercare di raggiungere una soluzione.

Voglio rivolgere la nostra attenzione ora per parlare dei tuoi pensieri sull'industria dell'IA in generale. L'algoritmo è la nostra newsletter AI e ho dato ai nostri lettori l'opportunità di sottoporvi alcune domande in anticipo. Un lettore chiede: lo sviluppo dell'IA sembra essersi principalmente biforcato verso la ricerca accademica o verso programmi aziendali su larga scala, ad alta intensità di risorse come OpenAI e DeepMind. Ciò non lascia davvero molto spazio per il contributo delle piccole startup. Quali pensi siano alcuni problemi pratici su cui le aziende più piccole possono davvero concentrarsi per favorire una reale adozione commerciale dell'IA?

Penso che gran parte dell'attenzione dei media tenda a essere sulle grandi aziende e, talvolta, sulle grandi istituzioni accademiche. Ma se vai a conferenze accademiche, c'è molto lavoro svolto da gruppi di ricerca e laboratori di ricerca più piccoli. E quando parlo con persone diverse in diverse aziende e settori, mi sembra che ci siano così tante applicazioni aziendali che potrebbero utilizzare l'IA per affrontare. Di solito vado dai leader aziendali e chiedo: Quali sono i tuoi maggiori problemi aziendali? Quali sono le cose che ti preoccupano di più? così posso capire meglio gli obiettivi del business e quindi fare un brainstorming se esiste o meno una soluzione di intelligenza artificiale. E a volte non c'è, e va bene.

Forse mi limiterò a citare un paio di lacune che trovo eccitanti. Penso che oggi costruire sistemi di IA sia ancora molto manuale. Hai alcuni brillanti ingegneri dell'apprendimento automatico e scienziati dei dati che fanno cose in un computer e poi spingono le cose alla produzione. Ci sono molti passaggi manuali nel processo. Quindi sono entusiasta delle operazioni di machine learning [operazioni di apprendimento automatico] come disciplina emergente per contribuire a rendere più sistematico il processo di creazione e distribuzione di sistemi di intelligenza artificiale.

Inoltre, se guardi a molti dei tipici problemi aziendali, tutte le funzioni dal marketing al talento, c'è molto spazio per l'automazione e il miglioramento dell'efficienza.

Spero anche che la comunità dell'IA possa guardare ai maggiori problemi sociali, vedere cosa possiamo fare per il cambiamento climatico, i senzatetto o la povertà. Oltre ai problemi aziendali a volte molto preziosi, dovremmo lavorare anche sui maggiori problemi sociali.

Come realizzi effettivamente il processo per identificare se esiste un'opportunità per perseguire qualcosa con l'apprendimento automatico per la tua azienda?

Cercherò di imparare un po' sul business da solo e cercherò di aiutare i leader aziendali a imparare un po' sull'IA. Quindi di solito facciamo un brainstorming su una serie di progetti e, per ciascuna delle idee, farò sia diligenza tecnica che diligenza aziendale. Vedremo: hai abbastanza dati? Qual è la precisione? C'è una coda lunga quando si distribuisce in produzione? Come si riempiono i dati e si chiude il ciclo per l'apprendimento continuo? Quindi, assicurarsi che il problema sia tecnicamente fattibile. E poi business diligence: ci assicuriamo che questo raggiunga il ROI che speriamo. Dopo quel processo, hai il solito, come stimare le risorse, le pietre miliari e poi, si spera, andare in esecuzione.

Un altro suggerimento: è più importante iniziare velocemente, e va bene iniziare in piccolo. La mia prima applicazione aziendale significativa in Google è stata il riconoscimento vocale, non la ricerca sul Web o la pubblicità. Ma aiutare il team vocale di Google a rendere il riconoscimento vocale più accurato, ha dato al team di Brain la credibilità e i mezzi per perseguire partnership sempre più grandi. Quindi Google Maps è stata la seconda grande partnership in cui abbiamo utilizzato la visione artificiale, per leggere i numeri civici e geolocalizzare le case su Google Maps. E solo dopo quei primi due progetti di successo ho avuto una conversazione più seria con il team pubblicitario. Quindi penso di vedere più aziende fallire iniziando troppo in grande che fallire iniziando troppo in piccolo. Va bene fare un progetto più piccolo per iniziare come organizzazione per imparare come ci si sente a usare l'IA e poi continuare a costruire successi più grandi.

Qual è una cosa che il nostro pubblico dovrebbe iniziare a fare domani per implementare l'IA nelle proprie aziende?

Entra. L'intelligenza artificiale sta causando un cambiamento nelle dinamiche di molti settori. Quindi, se la tua azienda non sta già facendo investimenti piuttosto aggressivi e intelligenti, questo è un buon momento.

nascondere