Многие технологические гиганты используют ИИ, чтобы сделать пользовательский опыт лучше для себя, в том же процессе Facebook использует искусственный интеллект, чтобы сделать его более эффективным.
Facebook строит свой бизнес, изучая своих пользователей и упаковывая их данные для рекламодателей. Затем он реинвестирует эти деньги, предлагая нам новые полезные функции — в настоящее время видео и покупки, — которые он также использует, чтобы узнать о нас еще больше.
Поскольку то, как он позволяет общаться и общаться между людьми, оказалось чрезвычайно ценным для нас, он стал магнитом для огромного количества данных о нас — кто мы, где мы проводим время и что нам нравится. Проблема для специалистов по данным Facebook, которые должны попытаться разобраться в этом, заключается в том, что большая часть этих данных очень беспорядочно неструктурирована.
1,2 миллиарда человек загружают 136 000 фотографий и обновляют свой статус 293 000 раз в минуту. До недавнего времени Facebook мог надеяться извлечь выгоду только из крошечной части своих неструктурированных данных — информации, которую нелегко измерить количественно и поместить в строки и таблицы для компьютерного анализа. .
Это помогает структурировать неструктурированные данные путем их количественной оценки и представления в форме, из которой аналитические инструменты могут извлечь информацию. Они пытаются ответить на такие вопросы, как: как часто продукты компании появляются на фотографиях, на которых также изображены кошки? Должны ли мы сосредоточиться на показе нашей рекламы людям, которые любят кошек, или нет?
Это основной принцип, почему глубокое обучение (ГО) полезно для Facebook, и по мере того, как алгоритмы ГО становятся все более изощренными, их можно все чаще применять к большему количеству данных, которыми мы делимся, от текста до изображений и видео.
Итак, вот несколько конкретных случаев использования, в которых DL используется для получения ценности и помощи Facebook в достижении своих целей по обеспечению большего удобства для пользователей и возможности узнать о нас больше.
1. Анализ текста
Большая часть данных, которыми делятся на Facebook, по-прежнему представляют собой текст. Видео может включать в себя большие объемы данных с точки зрения мегабайтов, но с точки зрения понимания текст может быть таким же богатым. Картинка может состоять из 1000 слов, но если вы просто хотите ответить на простой вопрос, вам часто не нужна 1000 слов. Каждый бит данных, который не важен для ответа на ваш вопрос, — это просто шум и, что более важно, пустая трата ресурсов для хранения и анализа.
Facebook использует инструмент, который он сам разработал, под названием DeepText, чтобы извлекать смысл из слов, которые мы публикуем, научившись анализировать их контекстуально. Нейронные сети анализируют отношения между словами, чтобы понять, как меняется их значение в зависимости от других слов вокруг них. Поскольку это полунеконтролируемое обучение, алгоритмы не обязательно имеют справочные данные — например, словарь — объясняющие значение каждого слова. Вместо этого он учится сам, основываясь на том, как используются слова.
Это означает, что он не будет сбит с толку вариациями в написании, сленге или особенностями использования языка. На самом деле, Facebook заявляет, что эта технология «независима от языка» — из-за того, как она присваивает метки словам, она может легко переключаться между работой с разными человеческими языками и применять то, что она узнала от одного, к другому.
В настоящее время этот инструмент используется для направления людей к продуктам, которые они могут захотеть приобрести, на основе разговоров, которые они ведут — это видео дает пример того, как он решает, уместно ли предоставление пользователю ссылки для совершения покупок, в зависимости от контекст.
2. Распознавание лиц
Facebook использует приложение DL под названием DeepFace, чтобы научить его распознавать людей на фотографиях. В нем говорится, что его самый продвинутый инструмент распознавания изображений более успешен, чем люди, в распознавании того, принадлежат ли два разных изображения одному и тому же человеку или нет — с показателем успеха DeepFace 97% по сравнению с людьми с 96%.
Справедливости ради стоит сказать, что использование этой технологии оказалось противоречивым. Участники кампании по защите конфиденциальности заявили, что это зашло слишком далеко, поскольку позволило Facebook — на основе фотографии толпы с высоким разрешением — назвать имена многих лиц, что явно является препятствием для нашей свободы анонимно передвигаться на публике. Законодатели ЕС согласились и убедили Facebook удалить эту функцию из учетных записей граждан Европы в 2013 году. Тогда гигант социальных сетей использовал более раннюю версию инструмента распознавания лиц, в котором не использовалось глубокое обучение. Facebook несколько умалчивает о разработке этой технологии с тех пор, как она впервые попала в заголовки, и можно предположить, что она ждет результатов незавершенных дел о конфиденциальности, прежде чем говорить больше о своих планах по ее развертыванию.
3. Таргетированная реклама
Facebook использует глубокие нейронные сети — фундамент глубокого обучения — чтобы решить, какую рекламу показывать тем или иным пользователям. Это всегда было краеугольным камнем ее бизнеса, но, поручая самим машинам узнавать о нас как можно больше и объединять нас наиболее проницательными способами при показе нам рекламы, она надеется сохранить конкурентное преимущество перед другими. высокотехнологичные конкуренты, такие как Google, которые борются за господство на том же рынке.
4. Разработка приложений ИИ
Facebook даже решил, что задача определения того, какие процессы могут быть улучшены с помощью ИИ и глубокого обучения, может выполняться машинами. Была внедрена система под названием Flow, которая использует анализ глубокого обучения для запуска симуляций 300 000 моделей машинного обучения каждый месяц, чтобы позволить инженерам проверять идеи и определять возможности для повышения эффективности.
Открытый код
Facebook является решительным сторонником открытого исходного кода и делает большую часть работы своих лабораторий искусственного интеллекта Facebook Artificial Intelligence Research (FAIR) доступной для всех, кто может использовать или модифицировать ее по своему усмотрению. Большая часть Deep Learning Facebook построена на платформе Torch, среде разработки, ориентированной на разработку технологий глубокого обучения и нейронных сетей.
Он даже открыл исходный код своего аппаратного обеспечения искусственного интеллекта, управляемого графическим процессором (GPU) — сверхбыстрых компьютеров, оптимизированных для выполнения задач глубокого обучения, которые часто требуют больших вычислительных мощностей из-за огромного количества задействованных вычислений и скорости. входящих данных, для обработки которых они предназначены.
Приятного чтения!
