211service.com
Andrew Ng: Vergessen Sie den Aufbau eines AI-first-Geschäfts. Beginnen Sie mit einer Mission.
Jeremy Portje
Andrew Ng hat in seinem Leben viele Hüte getragen. Sie kennen ihn vielleicht als den Gründer der Google Brain-Team oder der ehemalige Chefwissenschaftler bei Baidu . Vielleicht kennen Sie ihn auch als Ihren eigenen Ausbilder. Er hat unzähligen Studenten, neugierigen Zuhörern und Führungskräften in seinen äußerst beliebten Online-Kursen die Prinzipien des maschinellen Lernens beigebracht.
Jetzt in seinem neuesten Projekt, Landende KI , das er 2017 gegründet hat, untersucht er, wie Unternehmen ohne riesige Datensätze, auf die sie zurückgreifen können, dennoch an der KI-Revolution teilnehmen können.
Am 23. März nahm Ng an der virtuellen EmTech Digital von MIT Technology Review teil, unserer jährlichen KI-Veranstaltung, um die Lektionen, die er gelernt hat, zu teilen.
Dieses Interview wurde aus Gründen der Übersichtlichkeit gekürzt und leicht bearbeitet.
MIT Technology Review: Ich bin mir sicher, dass Sie häufig gefragt werden: Wie baue ich ein AI-first-Unternehmen auf? Was sagt man normalerweise dazu?
Andrew Ng: Normalerweise sage ich: Tu das nicht. Wenn ich zu einem Team gehe und sage: „Hey, alle zusammen, bitte seid an erster Stelle der KI“, neigt das dazu, das Team auf Technologie zu konzentrieren, was für ein Forschungslabor großartig sein könnte. Aber in Bezug auf die Art und Weise, wie ich das Geschäft ausführe, bin ich eher kunden- oder auftragsorientiert, fast nie technologieorientiert.
Sie haben jetzt dieses neue Unternehmen namens Landing AI. Können Sie uns etwas darüber erzählen, was es ist und warum Sie sich entschieden haben, daran zu arbeiten?
Nachdem ich die KI-Teams bei Google und Baidu geleitet hatte, wurde mir klar, dass KI das Software-Internet für Verbraucher, wie Websuche und Online-Werbung, verändert hat. Aber ich wollte KI in alle anderen Branchen bringen, die einen noch größeren Teil der Wirtschaft ausmachen. Nachdem ich mir viele verschiedene Branchen angesehen hatte, entschied ich mich, mich auf die Fertigung zu konzentrieren. Ich denke, dass mehrere Branchen KI-fähig sind, aber eines der Muster dafür, dass eine Branche KI-fähiger ist, ist, wenn sie eine digitale Transformation durchlaufen hat, also gibt es einige Daten. Das schafft die Möglichkeit für KI-Teams, die Daten zur Wertschöpfung zu nutzen.
Eines der Projekte, auf das ich mich in letzter Zeit gefreut habe, ist die visuelle Inspektion der Fertigung. Können Sie sich ein Bild eines Smartphones ansehen, das aus der Fertigungslinie kommt, und sehen, ob es einen Defekt hat? Oder schauen Sie sich eine Autokomponente an und prüfen Sie, ob eine Delle darin ist? Ein großer Unterschied besteht im Verbrauchersoftware-Internet, vielleicht haben Sie eine Milliarde Benutzer und eine riesige Datenmenge. Aber in der Fertigung hat keine Fabrik eine Milliarde oder sogar eine Million zerkratzter Smartphones hergestellt. Gott sei Dank. Die Herausforderung ist also, können Sie eine KI dazu bringen, mit hundert Bildern zu arbeiten? Es stellt sich oft heraus, dass Sie es können. Ich war schon oft überrascht, wie viel man selbst mit bescheidenen Datenmengen machen kann. Und obwohl all der Hype und die Aufregung und PR rund um die KI auf den riesigen Datensätzen liegt, habe ich das Gefühl, dass wir auch viel Raum zum Wachsen brauchen, um diese anderen Anwendungen aufzubrechen, bei denen die Herausforderungen ganz anders sind.
Wie machst du das?
Ein sehr häufiger Fehler, den ich bei CEOs und CIOs sehe: Sie sagen mir so etwas wie „Hey, Andrew, wir haben nicht so viele Daten – meine Daten sind ein Durcheinander“. Geben Sie mir also zwei Jahre, um eine großartige IT-Infrastruktur aufzubauen. Dann haben wir all diese großartigen Daten, auf denen wir KI aufbauen können. Ich sage immer: Das ist ein Fehler. Tu das nicht. Erstens glaube ich nicht, dass heute ein Unternehmen auf dem Planeten – vielleicht nicht einmal die Technologiegiganten – glaubt, dass seine Daten absolut sauber und perfekt sind. Es ist eine Reise. Wenn Sie zwei oder drei Jahre damit verbringen, eine schöne Dateninfrastruktur aufzubauen, fehlt Ihnen das Feedback des KI-Teams, um bei der Priorisierung der zu erstellenden IT-Infrastruktur zu helfen.
Wenn Sie beispielsweise viele Benutzer haben, sollten Sie ihnen in einer Umfrage lieber Fragen stellen, um ein bisschen mehr Daten zu erhalten? Oder sollten Sie in einer Fabrik den Sensor von etwas, das die Vibrationen 10 Mal pro Sekunde aufzeichnet, auf vielleicht 100 Mal pro Sekunde aufrüsten? Es beginnt oft damit, ein KI-Projekt mit den Daten durchzuführen, die Sie bereits haben, damit ein KI-Team Ihnen das Feedback geben kann, das Ihnen bei der Priorisierung hilft, welche zusätzlichen Daten gesammelt werden sollen.
In Branchen, in denen wir einfach nicht über das Ausmaß des Internets für Verbrauchersoftware verfügen, habe ich das Gefühl, dass wir unsere Denkweise ändern müssen groß Daten zu gut Daten. Wenn Sie eine Million Bilder haben, verwenden Sie sie – das ist großartig. Aber es gibt viele Probleme, die viel kleinere Datensätze verwenden können, die sauber gekennzeichnet und sorgfältig kuratiert sind.
Können Sie ein Beispiel geben? Was versteht man unter guten Daten?
Lassen Sie mich zunächst ein Beispiel aus der Spracherkennung geben. Als ich mit der Sprachsuche arbeitete, bekamen Sie Audioclips, in denen Sie jemanden sagen hörten: Ähm, das heutige Wetter. Die Frage ist, was ist die richtige Transkription für diesen Audioclip? Ist es Um (Komma) das heutige Wetter oder ist es Um (Punkt, Punkt, Punkt) das heutige Wetter, oder ist das Um etwas, das wir einfach nicht transkribieren? Es stellt sich heraus, dass jede davon in Ordnung ist, aber was nicht in Ordnung ist, ist, wenn verschiedene Transkriptoren jede der drei Bezeichnungskonventionen verwenden. Dann sind Ihre Daten verrauscht und es schadet dem Spracherkennungssystem. Wenn Sie jetzt Millionen oder eine Milliarde Benutzer haben, können Sie diese verrauschten Daten haben und sie einfach mitteln – der Lernalgorithmus reicht aus. Aber wenn Sie sich in einer Umgebung befinden, in der Sie einen kleineren Datensatz haben – sagen wir, hundert Beispiele – dann hat diese Art von verrauschten Daten einen enormen Einfluss auf die Leistung.
Ein weiteres Beispiel aus der Fertigung: Wir haben viel an der Stahlinspektion gearbeitet. Wenn Sie Auto fahren, war die Seite Ihres Autos früher aus Stahlblech. Manchmal gibt es kleine Falten im Stahl oder kleine Dellen oder Flecken. So können Sie eine Kamera und Computer Vision verwenden, um zu sehen, ob es Mängel gibt oder nicht. Aber verschiedene Labeler werden die Daten unterschiedlich kennzeichnen. Einige werden einen riesigen Begrenzungsrahmen um die gesamte Region legen. Einige setzen kleine Begrenzungsrahmen um die kleinen Partikel. Wenn Sie über einen bescheidenen Datensatz verfügen, stellen Sie sicher, dass die verschiedenen Qualitätsinspektoren die Daten einheitlich kennzeichnen – das erweist sich als eines der wichtigsten Dinge.
Für viele KI-Projekte ist das Open-Source-Modell, das Sie von GitHub herunterladen – das neuronale Netzwerk, das Sie aus der Literatur erhalten können – gut genug. Nicht für alle Probleme, aber die Hauptprobleme. Also bin ich zu vielen meiner Teams gegangen und habe gesagt: Hey, alle zusammen, das neuronale Netzwerk ist gut genug. Lassen Sie uns nicht mehr mit dem Code herumspielen. Das einzige, was Sie jetzt tun werden, ist, Prozesse zu erstellen, um die Qualität der Daten zu verbessern. Und es stellt sich heraus, dass dies oft zu schnelleren Verbesserungen der Leistung des Algorithmus führt.
An welche Datengröße denken Sie, wenn Sie von kleineren Datensätzen sprechen? Sprechen Sie von hundert Beispielen? Zehn Beispiele?
Maschinelles Lernen ist so vielfältig, dass es wirklich schwierig geworden ist, einheitliche Antworten zu geben. Ich habe an Problemen gearbeitet, bei denen ich etwa 200 bis 300 Millionen Bilder hatte. Ich habe auch an Problemen gearbeitet, bei denen ich 10 Bilder und alles dazwischen hatte. Wenn ich mir Fertigungsanwendungen ansehe, denke ich, dass etwa zehn oder vielleicht hundert Bilder für eine Fehlerklasse nicht ungewöhnlich sind, aber selbst innerhalb der Fabrik gibt es sehr große Unterschiede.
Ich finde, dass die KI-Praktiken umschalten, wenn die Größe des Trainingssatzes unter, sagen wir, 10.000 Beispiele sinkt, denn das ist eine Art Schwelle, ab der der Ingenieur im Grunde jedes Beispiel betrachten und selbst entwerfen und dann eine Entscheidung treffen kann.
Kürzlich unterhielt ich mich mit einem sehr guten Ingenieur in einem der großen Technologieunternehmen. Und ich fragte: Hey, was machst du, wenn die Labels inkonsistent sind? Und er sagte: Nun, wir haben dieses Team von mehreren hundert Leuten im Ausland, das die Etikettierung durchführt. Also schreibe ich die Beschriftungsanweisungen, lasse drei Leute jedes Bild beschriften, und dann nehme ich einen Durchschnitt. Und ich sagte: Ja, das ist das Richtige, wenn Sie einen riesigen Datensatz haben. Aber wenn ich mit einem kleineren Team arbeite und die Bezeichnungen uneinheitlich sind, mache ich einfach die zwei Personen ausfindig, die sich nicht einig sind, rufe beide zu Zoom an und lasse sie miteinander sprechen, um zu versuchen, eine Lösung zu finden.
Ich möchte unsere Aufmerksamkeit nun auf Ihre Gedanken zur allgemeinen KI-Industrie lenken. Der Algorithmus ist unser KI-Newsletter, und ich habe unseren Lesern die Möglichkeit gegeben, Ihnen vorab einige Fragen zu stellen. Ein Leser fragt: Die KI-Entwicklung scheint sich größtenteils entweder in Richtung akademische Forschung oder groß angelegte, ressourcenintensive Programme großer Unternehmen wie OpenAI und DeepMind zu teilen. Das lässt kleinen Startups nicht wirklich viel Raum, sich einzubringen. Was sind Ihrer Meinung nach einige praktische Probleme, auf die sich kleinere Unternehmen wirklich konzentrieren können, um eine echte kommerzielle Einführung von KI voranzutreiben?
Ich denke, ein Großteil der Medienaufmerksamkeit richtet sich auf die großen Unternehmen und manchmal auch auf die großen akademischen Institutionen. Aber wenn Sie zu akademischen Konferenzen gehen, wird viel Arbeit von kleineren Forschungsgruppen und Forschungslabors geleistet. Und wenn ich mit verschiedenen Menschen in verschiedenen Unternehmen und Branchen spreche, habe ich das Gefühl, dass es so viele Geschäftsanwendungen gibt, für die sie KI einsetzen könnten. Normalerweise gehe ich zu Unternehmensleitern und frage: Was sind Ihre größten geschäftlichen Probleme? Was sind die Dinge, die Sie am meisten beunruhigen? So kann ich die Ziele des Unternehmens besser verstehen und dann überlegen, ob es eine KI-Lösung gibt oder nicht. Und manchmal gibt es das nicht, und das ist in Ordnung.
Vielleicht erwähne ich einfach ein paar Lücken, die ich spannend finde. Ich denke, dass der Bau von KI-Systemen heute noch sehr manuell ist. Sie haben ein paar brillante Ingenieure für maschinelles Lernen und Datenwissenschaftler, die Dinge in einem Computer erledigen und dann die Dinge in die Produktion bringen. Es gibt viele manuelle Schritte in diesem Prozess. Daher freue ich mich über ML-Operationen [Machine Learning Operations] als eine aufstrebende Disziplin, die dazu beiträgt, den Prozess des Aufbaus und der Bereitstellung von KI-Systemen systematischer zu gestalten.
Wenn Sie sich viele der typischen Geschäftsprobleme ansehen – alle Funktionen von Marketing bis Talent – gibt es viel Raum für Automatisierung und Effizienzsteigerung.
Ich hoffe auch, dass die KI-Community sich mit den größten sozialen Problemen befassen kann – sehen, was wir für den Klimawandel, Obdachlosigkeit oder Armut tun können. Neben den manchmal sehr wertvollen geschäftlichen Problemen sollten wir auch an den größten sozialen Problemen arbeiten.
Wie gehen Sie eigentlich vor, um festzustellen, ob es eine Möglichkeit gibt, etwas mit maschinellem Lernen für Ihr Unternehmen zu tun?
Ich werde versuchen, selbst ein wenig über das Geschäft zu lernen, und versuchen, den Führungskräften zu helfen, ein wenig über KI zu lernen. Dann führen wir normalerweise ein Brainstorming für eine Reihe von Projekten durch, und für jede der Ideen werde ich sowohl eine technische als auch eine geschäftliche Sorgfalt walten lassen. Wir schauen uns an: Haben Sie genug Daten? Was ist die Genauigkeit? Gibt es einen Long Tail, wenn Sie in der Produktion bereitstellen? Wie füllen Sie die Daten zurück und schließen den Kreislauf für kontinuierliches Lernen? Stellen Sie also sicher, dass das Problem technisch machbar ist. Und dann Business Diligence: Wir stellen sicher, dass damit der ROI erreicht wird, den wir uns erhoffen. Nach diesem Prozess haben Sie das Übliche, wie das Schätzen der Ressourcen, Meilensteine und dann hoffentlich die Ausführung.
Noch ein Vorschlag: Es ist wichtiger, schnell anzufangen, und es ist in Ordnung, klein anzufangen. Meine erste sinnvolle Geschäftsanwendung bei Google war die Spracherkennung, nicht die Websuche oder Werbung. Aber indem es dem Google-Sprachteam half, die Spracherkennung genauer zu machen, verlieh das dem Brain-Team die Glaubwürdigkeit und das nötige Kleingeld, um immer größere Partnerschaften anzustreben. Google Maps war also die zweite große Partnerschaft, bei der wir maschinelles Sehen eingesetzt haben – um Hausnummern zu lesen und Häuser auf Google Maps zu geolokalisieren. Und erst nach diesen ersten beiden erfolgreichen Projekten hatte ich ein ernsthafteres Gespräch mit dem Werbeteam. Ich sehe also mehr Unternehmen scheitern, wenn sie zu groß anfangen, als scheitern, wenn sie zu klein anfangen. Es ist in Ordnung, ein kleineres Projekt durchzuführen, um als Unternehmen zu beginnen, um zu lernen, wie es sich anfühlt, KI zu verwenden, und dann größere Erfolge zu erzielen.
Was sollte unser Publikum morgen tun, um KI in seinen Unternehmen zu implementieren?
Steigen Sie ein. KI verändert die Dynamik vieler Branchen. Wenn Ihr Unternehmen also nicht bereits ziemlich aggressive und intelligente Investitionen tätigt, ist dies ein guter Zeitpunkt.