211service.com
Andrew Ng: Olvídese de construir un negocio que priorice la IA. Comience con una misión.
jeremy portje
Andrew Ng ha usado muchos sombreros en su vida. Usted puede conocerlo como el fundador de la equipo de cerebro de Google o el ex director científico de Baidu . También puede conocerlo como su propio instructor. Ha enseñado a innumerables estudiantes, oyentes curiosos y líderes empresariales sobre los principios del aprendizaje automático a través de sus cursos en línea muy populares.
Ahora en su última aventura, IA de aterrizaje , que comenzó en 2017, está explorando cómo las empresas sin conjuntos de datos gigantes para aprovechar pueden unirse a la revolución de la IA.
El 23 de marzo, Ng se unió al EmTech Digital virtual de MIT Technology Review, nuestro evento anual de IA, para compartir las lecciones que aprendió.
Esta entrevista ha sido condensada y ligeramente editada para mayor claridad.
MIT Technology Review: Estoy seguro de que la gente le pregunta con frecuencia: ¿Cómo construyo un negocio basado en la IA? ¿Qué sueles decir a eso?
Andrew Ng: Suelo decir, no hagas eso. Si voy a un equipo y digo: Hola a todos, por favor, prioricen la IA, eso tiende a enfocar al equipo en la tecnología, lo que podría ser excelente para un laboratorio de investigación. Pero en términos de cómo ejecuto el negocio, tiendo a estar dirigido por el cliente o por la misión, casi nunca dirigido por la tecnología.
Ahora tiene esta nueva empresa llamada Landing AI. ¿Puedes contarnos un poco sobre qué es y por qué elegiste trabajar en él?
Después de dirigir los equipos de IA en Google y Baidu, me di cuenta de que la IA ha transformado la Internet del consumidor de software, como la búsqueda web y la publicidad en línea. Pero quería llevar la IA a todas las demás industrias, que es una parte aún mayor de la economía. Entonces, después de observar muchas industrias diferentes, decidí centrarme en la fabricación. Creo que varias industrias están preparadas para la IA, pero uno de los patrones para que una industria esté más preparada para la IA es si ha pasado por alguna transformación digital, por lo que hay algunos datos. Eso crea una oportunidad para que los equipos de IA entren y usen los datos para crear valor.
Entonces, uno de los proyectos que me ha entusiasmado recientemente es la inspección visual de fabricación. ¿Puede mirar una imagen de un teléfono inteligente que sale de la línea de fabricación y ver si tiene algún defecto? ¿O mirar un componente de automóvil y ver si tiene una abolladura? Una gran diferencia está en el software de consumo de Internet, tal vez tenga mil millones de usuarios y una gran cantidad de datos. Pero en la fabricación, ninguna fábrica ha fabricado mil millones o incluso un millón de teléfonos inteligentes rayados. Gracias a Dios por eso. Entonces, el desafío es, ¿puedes hacer que una IA funcione con cien imágenes? Resulta que a menudo puedes. De hecho, muchas veces me ha sorprendido lo mucho que puede hacer incluso con cantidades modestas de datos. Y así, aunque todo el bombo y la emoción y las relaciones públicas en torno a la IA están en los conjuntos de datos gigantes, siento que también hay mucho espacio que necesitamos para crecer para abrir estas otras aplicaciones donde los desafíos son bastante diferentes.
¿Cómo haces eso?
Un error muy frecuente que veo que cometen los directores ejecutivos y los CIO: me dicen algo como Oye, Andrew, no tenemos tantos datos, mis datos son un desastre. Así que denme dos años para construir una gran infraestructura de TI. Entonces tendremos toda esta gran información sobre la cual construir IA. Siempre digo, eso es un error. No hagas eso. Primero, no creo que ninguna empresa en el planeta hoy en día, tal vez ni siquiera los gigantes tecnológicos, piense que sus datos son completamente limpios y perfectos. es un viaje Pasar dos o tres años para construir una hermosa infraestructura de datos significa que le faltan los comentarios del equipo de IA para ayudar a priorizar qué infraestructura de TI construir.
Por ejemplo, si tiene muchos usuarios, ¿debería priorizar hacerles preguntas en una encuesta para obtener un poco más de datos? O en una fábrica, ¿debería priorizar la actualización del sensor de algo que registre las vibraciones 10 veces por segundo a quizás 100 veces por segundo? A menudo, comenzar a hacer un proyecto de IA con los datos que ya tiene permite que un equipo de IA le brinde retroalimentación para ayudarlo a priorizar qué datos adicionales recopilar.
En industrias donde simplemente no tenemos la escala de Internet de software de consumo, siento que debemos cambiar la mentalidad de grande datos a bien datos. Si tiene un millón de imágenes, adelante, utilícelas, eso es genial. Pero hay muchos problemas que pueden usar conjuntos de datos mucho más pequeños que están claramente etiquetados y cuidadosamente seleccionados.
¿Podría dar un ejemplo? ¿A qué te refieres con buenos datos?
Permítanme primero dar un ejemplo de reconocimiento de voz. Cuando estaba trabajando con la búsqueda por voz, obtenía clips de audio donde escuchaba a alguien decir, Um, el clima de hoy. La pregunta es, ¿cuál es la transcripción correcta para ese clip de audio? ¿Es Um (coma) el clima de hoy, o es Um (punto, punto, punto) el clima de hoy, o es Um algo que simplemente no transcribimos? Resulta que cualquiera de estos está bien, pero lo que no está bien es si diferentes transcriptores usan cada una de las tres convenciones de etiquetado. Entonces sus datos son ruidosos y dañan el sistema de reconocimiento de voz. Ahora, cuando tiene millones o mil millones de usuarios, puede tener esos datos ruidosos y simplemente promediarlos: el algoritmo de aprendizaje funcionará bien. Pero si se encuentra en un entorno en el que tiene un conjunto de datos más pequeño, digamos, cien ejemplos, entonces este tipo de datos ruidosos tiene un gran impacto en el rendimiento.
Otro ejemplo de fabricación: trabajamos mucho en la inspección del acero. Si conduce un automóvil, el costado de su automóvil alguna vez estuvo hecho de una lámina de acero. A veces hay pequeñas arrugas en el acero, o pequeñas abolladuras o motas. Entonces puede usar una cámara y visión por computadora para ver si hay defectos o no. Pero diferentes etiquetadores etiquetarán los datos de manera diferente. Algunos colocarán un cuadro delimitador gigante alrededor de toda la región. Algunos pondrán pequeños cuadros delimitadores alrededor de las pequeñas partículas. Cuando tiene un conjunto de datos modesto, asegurarse de que los diferentes inspectores de calidad etiqueten los datos de manera consistente, eso resulta ser una de las cosas más importantes.
Para muchos proyectos de IA, el modelo de código abierto que descarga de GitHub, la red neuronal que puede obtener de la literatura, es lo suficientemente bueno. No para todos los problemas, pero los principales problemas. Así que fui a muchos de mis equipos y les dije: Hola a todos, la red neuronal es lo suficientemente buena. No nos metamos más con el código. Lo único que va a hacer ahora es crear procesos para mejorar la calidad de los datos. Y resulta que a menudo da como resultado mejoras más rápidas en el rendimiento del algoritmo.
¿En qué tamaño de datos está pensando cuando dice conjuntos de datos más pequeños? ¿Estás hablando de cien ejemplos? ¿Diez ejemplos?
El aprendizaje automático es tan diverso que se ha vuelto realmente difícil dar respuestas únicas para todos. He trabajado en problemas en los que tenía entre 200 y 300 millones de imágenes. También trabajé en problemas en los que tenía 10 imágenes y todo lo demás. Cuando observo las aplicaciones de fabricación, creo que algo así como decenas o quizás cien imágenes para una clase de defecto no es inusual, pero hay una variación muy amplia incluso dentro de la fábrica.
Encuentro que las prácticas de IA cambian cuando los tamaños del conjunto de entrenamiento bajan, digamos, 10,000 ejemplos, porque ese es el umbral en el que el ingeniero básicamente puede mirar cada ejemplo y diseñarlo por sí mismo y luego tomar una decisión.
Hace poco estuve charlando con un muy buen ingeniero en una de las grandes empresas de tecnología. Y le pregunté: Oye, ¿qué haces si las etiquetas son inconsistentes? Y él dijo: Bueno, tenemos este equipo de varios cientos de personas en el extranjero que hace el etiquetado. Así que escribiré las instrucciones de etiquetado, pediré a tres personas que etiqueten cada imagen y luego sacaré un promedio. Y dije: Sí, eso es lo correcto cuando tienes un conjunto de datos gigante. Pero cuando trabajo con un equipo más pequeño y las etiquetas son inconsistentes, simplemente localizo a las dos personas que no están de acuerdo entre sí, hago que ambos participen en una llamada de Zoom y hablo entre ellos para tratar de llegar a una resolución.
Quiero llamar nuestra atención ahora para hablar sobre sus pensamientos sobre la industria general de la IA. El Algoritmo es nuestro boletín informativo de IA, y le di a nuestros lectores la oportunidad de enviarle algunas preguntas con anticipación. Un lector pregunta: el desarrollo de la IA parece haberse bifurcado principalmente hacia la investigación académica o los programas de grandes empresas a gran escala y con uso intensivo de recursos, como OpenAI y DeepMind. Eso realmente no deja mucho espacio para que las pequeñas empresas nuevas contribuyan. ¿Cuáles cree que son algunos problemas prácticos en los que las empresas más pequeñas realmente pueden centrarse para ayudar a impulsar la adopción comercial real de la IA?
Creo que gran parte de la atención de los medios tiende a centrarse en las grandes corporaciones y, a veces, en las grandes instituciones académicas. Pero si asiste a conferencias académicas, hay mucho trabajo realizado por grupos de investigación más pequeños y laboratorios de investigación. Y cuando hablo con diferentes personas en diferentes empresas e industrias, siento que hay tantas aplicaciones comerciales que podrían usar AI para abordar. Por lo general, acudo a los líderes empresariales y les pregunto: ¿Cuáles son sus mayores problemas comerciales? ¿Cuáles son las cosas que más te preocupan? para poder comprender mejor los objetivos del negocio y luego intercambiar ideas sobre si existe o no una solución de IA. Y a veces no lo hay, y eso está bien.
Tal vez solo mencionaré un par de lagunas que encuentro emocionantes. Creo que hoy en día construir sistemas de IA sigue siendo muy manual. Tiene algunos ingenieros de aprendizaje automático y científicos de datos brillantes que hacen cosas en una computadora y luego llevan las cosas a producción. Hay muchos pasos manuales en el proceso. Así que estoy entusiasmado con las operaciones de ML [operaciones de aprendizaje automático] como una disciplina emergente para ayudar a que el proceso de creación e implementación de sistemas de IA sea más sistemático.
Además, si observa muchos de los problemas comerciales típicos, todas las funciones, desde marketing hasta talento, hay mucho espacio para la automatización y la mejora de la eficiencia.
También espero que la comunidad de IA pueda analizar los mayores problemas sociales: ver qué podemos hacer por el cambio climático, la falta de vivienda o la pobreza. Además de los problemas comerciales, a veces muy valiosos, también deberíamos trabajar en los problemas sociales más importantes.
¿Cómo emprende realmente el proceso de identificar si existe una oportunidad de buscar algo con el aprendizaje automático para su negocio?
Intentaré aprender un poco sobre el negocio yo mismo y trataré de ayudar a los líderes empresariales a aprender un poco sobre la IA. Luego, generalmente hacemos una lluvia de ideas sobre un conjunto de proyectos, y para cada una de las ideas, haré tanto diligencia técnica como diligencia comercial. Veremos: ¿Tiene suficientes datos? ¿Cuál es la precisión? ¿Hay una cola larga cuando se implementa en producción? ¿Cómo se rellenan los datos y se cierra el ciclo para el aprendizaje continuo? Entonces, asegurarse de que el problema sea técnicamente factible. Y luego la diligencia comercial: nos aseguramos de que esto logre el ROI que esperamos. Después de ese proceso, tiene lo habitual, como estimar los recursos, los hitos y, con suerte, pasar a la ejecución.
Otra sugerencia: es más importante comenzar rápidamente y está bien comenzar poco a poco. Mi primera aplicación comercial significativa en Google fue el reconocimiento de voz, no la búsqueda web ni la publicidad. Pero al ayudar al equipo de voz de Google a hacer que el reconocimiento de voz sea más preciso, eso le dio al equipo de Brain la credibilidad y los medios para buscar asociaciones cada vez más grandes. Entonces, Google Maps fue la segunda gran asociación en la que usamos la visión por computadora para leer los números de las casas para geolocalizar casas en los mapas de Google. Y solo después de esos dos primeros proyectos exitosos tuve una conversación más seria con el equipo de publicidad. Así que creo que veo más empresas que fracasan por empezar demasiado grandes que por empezar demasiado pequeñas. Está bien hacer un proyecto más pequeño para comenzar como organización para aprender cómo se siente usar IA y luego continuar para construir éxitos más grandes.
¿Qué es lo que nuestra audiencia debería comenzar a hacer mañana para implementar la IA en sus empresas?
Anímese. La IA está provocando un cambio en la dinámica de muchas industrias. Entonces, si su empresa aún no está haciendo inversiones bastante agresivas e inteligentes, este es un buen momento.