Как глубокое обучение изменит мир розничной торговли?
В ноябре Sentient Technologies объявила о сотрудничестве с Shoes.com, в рамках которого сайт использует «визуальный фильтр», основанный на глубоком обучении — первом в мире опыте совершения покупок с использованием искусственного интеллекта. На другом конце шкалы Sentient Technologies работает над интеллектуальным способом реагирования на сепсис с помощью медсестры с искусственным интеллектом — отличный пример того, как глубокое обучение быстро трансформирует и улучшает многие отрасли, от розничной торговли и финансов до здравоохранения. и производство.
Новая технология, внедряемая на сайте Shoes.com, включает в себя «визуальный фильтр», который обладает глубоким пониманием того, что доступно в каталоге, и быстро обучается и адаптируется к предпочтениям покупателей. Он также предоставляет мгновенные рекомендации доступных продуктов, подобно тому, как личный покупатель в обычном магазине помогает покупателям найти обувь, которая им нравится, создавая приятный и эффективный опыт для клиентов. Легко понять, насколько ценной будет такая технология, поскольку клиенты перегружены постоянно растущим онлайн-рынком, когда внедрение ИИ может сократить время и усилия, затрачиваемые на просмотр продуктов.
На саммите RE•WORK Deep Learning в Сан-Франциско в январе этого года Найджел Даффи, технический директор Sentient Technologies, обсудит значительный прогресс, достигнутый в области визуального интеллекта и глубокого обучения, а также технологий визуального обучения, которые помогают принимать решения, наблюдая , интерпретируя и оценивая взаимодействие пользователей с визуальным контентом.
Мы поговорили с Найджелом перед саммитом по глубокому обучению в следующем месяце, чтобы узнать больше о Sentient Technologies и его мыслях о области глубокого обучения.
Каковы ключевые факторы, позволившие добиться недавних достижений в области глубокого обучения?
Существует широко распространенное мнение, что доступ к большему количеству вычислений и большим объемам данных был действительно важным фактором. Это явно так, сначала с большими распределенными системами, такими как Google Brain, а затем с быстрыми реализациями нейронных сетей на графических процессорах.
Я думаю, что недооцененным фактором является существование крупномасштабных тестов. Крупномасштабные тесты, такие как imagenet, обеспечивают действительно важные испытательные стенды для разработки новых методов в академических кругах и позволяют продемонстрировать прогресс. Без этих контрольных показателей ученые часто застревали, работая над задачами меньшего масштаба, где преимущества глубокого обучения не были очевидны.
Контекст также важен. Контент, который создают и потребляют пользователи, стал более наглядным — в этом году будет сделано 1 триллион фотографий. Из-за этого способность анализировать и понимать изображения стала гораздо более важной с коммерческой точки зрения.
В Sentient с момента основания мы занимались масштабированием алгоритмов искусственного интеллекта (ИИ). По мере того, как сообщество глубокого обучения движется к еще более богатым медиа, например видео, мы считаем, что масштаб станет еще более важным. Масштабирование ИИ может быть сложной задачей, особенно если вы масштабируетесь за пределы одного графического процессора или даже одного центра обработки данных. Однако способность достичь такого масштаба будет иметь важное значение по мере того, как мы движемся ко все более и более сложным проблемам.
Какие основные типы проблем сейчас решаются в пространстве глубокого обучения?
Большая часть работы по глубокому обучению сосредоточена на том, что я бы назвал проблемами восприятия, например, на понимании изображений, видео, речи и аудио. Интуитивно это имеет смысл, поскольку многие подходы к глубокому обучению неявно кодируют предубеждения моделирования, согласующиеся с восприятием. Например, эти сети часто имеют структуры или абстракции, которые имеют параллели в человеческом восприятии, или они имеют структуры, которые фиксируют предубеждения, такие как предубеждение соседства, то есть пиксели, расположенные близко друг к другу, с большей вероятностью будут связаны, чем пиксели, находящиеся далеко друг от друга.
Мы все чаще наблюдаем, как глубокое обучение используется как часть более крупной системы, например, в машинном переводе. В этих случаях глубокое обучение часто используется для решения проблем представления, в то время как языковая структура решается с использованием других методов машинного обучения.Я верю, что мы будем видеть все больше и больше таких гибридных систем. Например, наш опыт покупок в Интернете поддерживается сочетанием подходов ИИ, включая глубокое обучение.
Каковы практические применения вашей работы и какие секторы, скорее всего, будут затронуты?
Опыт онлайн-покупок не сильно изменился с конца 1990-х годов. По мере того как конкуренты в сфере электронной коммерции расширяют свои каталоги, чтобы привлечь широкую аудиторию, покупателям предоставляется парализующий выбор. Когда вы ищете что-то, вам часто кажется, что вы ни к чему не пришли, поскольку элементы помечены неправильно. Зрительный интеллект решает эту проблему.
Недавно мы заключили партнерское соглашение с Shoes.com, чтобы запустить Sentient Aware для электронной коммерции. Он поддерживает «Визуальный фильтр» Shoes.com на Shoeme.ca. Сервис предоставляет покупателям мгновенные рекомендации по доступной обуви, подобно тому, как личный покупатель в обычном магазине помогает людям найти обувь, которая им нравится. Наш ИИ работает, создавая непрерывный дедуктивный диалог в режиме реального времени с покупателями, что, по нашему мнению, имеет решающее значение для того, чтобы путешествие потребителя по онлайн-контенту было приятным. Sentient Aware создает игровое взаимодействие, предлагая «вопросы» на основе изображений, где каждый щелчок обучает ИИ тысячам атрибутов (например, высоте каблука, длине икры, стилю шнуровки, форме обуви, текстуре и т. д.), которые затем информируют покупателя. следующий выбор. Когда покупатели начинают нажимать на обувь, наш ИИ начинает предлагать варианты, которые, по его мнению, им понравятся на основе их предыдущих кликов. Как будто специально для них в режиме реального времени создается частный бутик из тысяч товаров на складе.
Мы считаем, что этот тип глубокого обучения может применяться во многих отраслях промышленности, от производства обуви и одежды до мебели, товаров для дома и автомобилей.
Какие изменения мы можем ожидать в области глубокого обучения в ближайшие 5 лет?
На сегодняшний день экосистема больших данных сосредоточена на сборе, управлении и хранении больших объемов данных. Очевидно, что также была проделана большая работа по анализу и прогнозированию. Однако, по сути, бизнес-пользователей это не волнует. Бизнес-пользователей волнуют только результаты, то есть «изменят ли эти данные мое поведение, изменят ли решения, которые я принимаю». Мы считаем, что это ключевые вопросы, которые необходимо решить в ближайшие 5 лет. И мы верим, что ИИ станет связующим звеном между данными и лучшими решениями.
Очевидно, что глубокое обучение будет играть важную роль в этой эволюции, но в сочетании с другими подходами к ИИ. В течение следующих 5 лет мы будем все чаще видеть гибридные системы, в которых глубокое обучение используется для решения некоторых сложных перцептивных задач, в то время как другие методы искусственного интеллекта и машинного обучения (ML) используются для решения других частей проблемы, например, рассуждений.
Какие достижения в этой области вас больше всего волнуют?
Мы очень рады жажде ИИ и машинного обучения. Все чаще каждая проблема, каждый проект, каждый бизнес — это проблема, проект или бизнес ИИ. Возможности использования данных, чтобы сделать мир более эффективным и продуктивным, огромны.
Мы больше всего рады использованию ИИ для более быстрого принятия правильных решений. Захватывающие новые разработки, такие как количественное самоопределение, автоматизированный дом и умные фабрики, будут возможны только при автоматизированном принятии решений.
Как личности, наше бремя принятия решений только увеличивается. Нам постоянно приходится делать выбор, и наши возможности стали огромными. Однако слишком большой выбор может парализовать, и мы верим, что ИИ может сделать мир проще, сократив количество вариантов выбора до тех, которые нам наиболее важны.
В Sentient наша общая цель — использовать ИИ, чтобы сделать мир проще, эффективнее и продуктивнее за счет автоматизированного принятия решений.
Найджел Даффи выступит на саммите RE•WORK Deep Learning в Сан-Франциско 28–29 января 2016 года.Среди других спикеров Эндрю Нг, Baidu; Клеман Фарабет, Твиттер; Навин Рао, Nervana Systems; Андрей Карпати, Стэнфордский университет; и Ориол Виньялс, Google.
Саммит по глубокому обучению проходит параллельно с Саммитом виртуальных помощников.
Билеты Early Bird доступны до 4 декабря. Для получения дополнительной информации посетите страницу мероприятия здесь.
Никита Джонсон
Читайте другие посты этого автора.
