211service.com
Google bietet Cloud-basierte Lernmaschine
Von Amazons Produktempfehlungen bis hin zu Pandoras Fähigkeit, uns neue Songs zu finden, die uns gefallen, verlassen sich die intelligentesten Webservices auf maschinelles Lernen – Algorithmen, die es Software ermöglichen, zu lernen, wie sie mit einem gewissen Maß an Intelligenz auf neue Informationen oder Ereignisse reagieren kann.
Jetzt hat Google einen Dienst auf den Markt gebracht, der viele weitere Apps mit solchen Intelligenzen ausstatten könnte. Google Vorhersage-API bietet Entwicklern eine einfache Möglichkeit, Software zu erstellen, die den Umgang mit eingehenden Daten lernt. Beispielsweise könnten die von Google gehosteten Algorithmen trainiert werden, E-Mails anhand eines Datensatzes, der viele Beispiele für beide Arten bietet, in Kategorien für Beschwerden und Lob zu sortieren. Zukünftige E-Mails könnten dann von einer Software, die diese API verwendet, überprüft und entsprechend behandelt werden.
Derzeit haben nur Hunderte von Entwicklern Zugriff auf den Dienst, sagt Travis Green, Googles Produktmanager für die Vorhersage-API, aber wir können bereits sehen, dass Leute einige erstaunliche Dinge tun. Die Benutzer reichen von Entwicklern von Mobil- und Web-Apps bis hin zu Ölgesellschaften, sagt er. Viele wollen Produktempfehlungen machen, und es gibt auch interessante NGO-Anwendungsfälle mit Ideen wie das Extrahieren von Notfallinformationen aus Twitter oder anderen Online-Quellen.
Maschinelles Lernen ist keine einfache Funktion, die in Software integriert werden kann. Verschiedene Algorithmen und mathematische Techniken funktionieren am besten für verschiedene Arten von Daten. Laut Green sind in der Regel spezielle Kenntnisse über maschinelles Lernen erforderlich, um die Verwendung in einem Produkt in Betracht zu ziehen.
Der Dienst von Google bietet eine Art Blackbox für maschinelles Lernen – Daten gehen an einem Ende und Vorhersagen am anderen Ende. Es gibt drei grundlegende Befehle: einen zum Hochladen einer Datensammlung, einen anderen, der den Dienst anweist, daraus zu lernen, und einen dritten, um neue Daten zu übermitteln, damit das System auf der Grundlage des Gelernten reagieren kann.
Entwickler können es innerhalb von 20 Minuten auf ihrer Website oder App bereitstellen, sagt Green. Wir versuchen, einen wirklich einfachen Service anzubieten, bei dem sie nicht Monat für Monat verschiedene Algorithmen ausprobieren müssen. Tatsächlich enthält die Blackbox von Google eine ganze Reihe verschiedener Algorithmen. Beim Hochladen von Daten werden alle Algorithmen automatisch angewendet, um herauszufinden, welcher für einen bestimmten Job am besten funktioniert, und der beste Algorithmus wird dann verwendet, um alle neu übermittelten Informationen zu verarbeiten.
Es ist wichtig, maschinelles Lernen auf Google-Niveau zu bringen, sagt Joel Confino, ein Softwareentwickler in Philadelphia, der umfangreiche Web-Apps für Banken und Pharmaunternehmen entwickelt und Mitglied des Vorschauprogramms ist. Er nutzte die Prediction API, um schnell ein einfaches, aber effektives zu entwickeln Spam-E-Mail-Filter , und er sagt, der Dienst habe ein klares kommerzielles Potenzial.
So verfügt beispielsweise ein Bank- oder Kreditkartenunternehmen, das maschinelles Lernen einsetzen möchte, um Systeme aufzubauen, die Entscheidungen auf der Grundlage historischer Transaktionen treffen, wahrscheinlich nicht über das Fachpersonal und die notwendige Infrastruktur für diesen rechenintensiven Ansatz. Diese API könnte eine Möglichkeit sein, kostengünstig eine Funktion zu erhalten, die auf herkömmliche Weise viel Geld kosten würde.
Der neue Dienst von Google könnte auch für Unternehmen attraktiver sein, die davor zurückschrecken, ihre Daten an Cloud-Anbieter zu übergeben, sagt Confino. Die Daten können vollständig verschleiert werden, und Sie können diesen Dienst weiterhin nutzen. Google muss nicht wissen, ob es sich bei den Zahlen, die Sie ihm senden, um Aktienkurse oder Immobilienpreise handelt.
Google erhält jedoch einige Informationen, mit denen es seine Algorithmen für maschinelles Lernen verbessern kann. Wir sehen uns nicht die Daten der Benutzer an, sehen aber dieselben Metriken zur Vorhersagequalität wie sie, um den Service zu verbessern, sagt Green. Die Ingenieure, die die Prediction API ausführen, wissen, ob ein bestimmter Algorithmus selten verwendet wird oder ob ein neuer hinzugefügt werden muss, um bestimmte Datentypen besser zu verarbeiten.
Prediction API hat das Potenzial, ein Ausgleich zwischen etablierten Unternehmen und kleineren Startups zu sein, sagt Pete Warden, ein ehemaliger Apple-Ingenieur, der jetzt an seinem eigenen Startup arbeitet OpenHeatMap.com . Das sei ein Wettbewerbsvorteil für große Unternehmen wie Amazon, deren Produktempfehlungen auf maschinellem Lernen basieren, erklärt er. Jetzt müssen Sie immer noch über anständige Trainingsdaten verfügen, aber nicht über das gleiche Maß an Fachwissen.
Warden hat noch keinen Zugriff auf die Prediction API, plant jedoch, sie zu verwenden, um sie zu verbessern ein Service, den er gebaut hat das zeigt, wo sich Personen befinden, die ein bestimmtes Wort oder eine bestimmte Phrase auf Twitter verwenden. Es wäre wirklich interessant zu sehen, wo sie positive und negative Dinge zu einem Thema sagen, sagt Warden. Die Vorhersage-API könnte trainiert werden, um zwischen positiven und negativen Tweets zu unterscheiden, um dies zu tun, sagt er.
Chris Bates, ein Datenwissenschaftler mit Online-Musikdienst Grooveshark und ein Mitglied des Vorschauprogramms, stimmt zu, dass die Blackbox von Google eine breitere Nutzung des maschinellen Lernens ermöglichen wird, behauptet jedoch, dass der Dienst ausgereift sein muss. Heute sei es gut, vorherzusagen, in welcher Sprache Texte vorliegen, und auch Stimmungsanalysen, um beispielsweise positive und negative Bewertungen herauszufiltern, sagt er.
Letztlich stößt es jedoch an Grenzen, das Innenleben der Algorithmen nicht zu überprüfen und auf einen bestimmten Einsatzzweck abzustimmen. Es ist gut für Fälle, die nicht geschäftskritisch sind und bei denen Sie sich ein paar falsch positive Ergebnisse leisten können, sagt Bates. Zum Beispiel könnte ein Spam-Filter, der gelegentlich Junk-Nachrichten durchlässt, immer noch verwendbar sein, aber ein Kreditkartenunternehmen könnte Fehler weniger akzeptieren.