Ο δημοσιογράφος Steven Levy είχε ακόμη μια αποκλειστικότητα σχετικά με την Apple και έτσι κατάφερε να μας δώσει μια πολύ καλή εικόνα για το πως η εταιρεία χρησιμοποιεί την τεχνητή νοημοσύνη και αλγόριθμους μηχανικής μάθησης.
Το άρθρο του είναι πολύ σημαντικό και σπάνιο με τους Eddy Cue, Craig Federighi, Phil Schiller και τον αρχηγό της ομάδας της Siri Tom Gruber να προσφέρουν σε αυτό πολλές πληροφορίες και σημαντικά στοιχεία.
Η Apple λοιπόν έχει πολλούς μηχανικούς στον τομέα των αλγορίθμων μηχανική μάθησης χωρίς όλους από αυτούς να είχαν ειδικότητα σε αυτό το αντικείμενο πριν έρθουν να δουλέψουν για την Apple. Όλα τα αποτελέσματα της δουλειάς του διαμοιράζονται και στις άλλες ομάδες της Apple.
“Δεν έχουμε μια κεντρική οργάνωση αυτό που έχουμε το ονομάζουμε Temple of Machine Learning. Προσπαθούμε να κρατάμε όλες τις ομάδες κοντά έτσι ώστε να βρίσκουν εφαρμογή αυτοί οι αλγόριθμοι και έτσι να μπορέσουμε να προσφέρουμε την σωστή εμπειρία στον χρήστη” αναφέρει χαρακτηριστικά ο Craig Federighi.
Σε αυτό φυσικά μεγάλη συμμετοχή έχουν και τα ταλέντα στον χώρο τα οποία έχει αποκτήσει η Apple από τις εξαγορές εταιρειών που κάνει πρόσφατα – Ο αριθμός είναι 20-30 μικρές εταιρείες και start up τον χρόνο.
“Ψάχνουμε για ανθρώπους που έχουν το ταλέντο και εστιάζουν στην δημιουργία μοναδικών εμπειριών” αναφέρει ο Federighi.
Για τον τομέα της Siri διαβάζουμε τα εξής:
Αρχικά να τονίσουμε πως υπάρχουν 4 διαφορετικές διαστάσεις στην ψηφιακή βοηθό της Apple:
- Speech recognition—μετατροπή φωνής σε κείμενο
- Natural language understanding—αναγνώριση του τι αναφέρει ο χρήστης
- Execution—απαντήσεις σωστές στα ανάλογα ερωτήματα και αναζητήσεις
- Response—ομιλία πίσω στον χρήστη
Η βαθεία μάθηση είναι αυτή που βοηθάει την Siri να απαντάει πίσω στον χρήστη πιο φυσικά ενώ οι αλγόριθμοι μηχανικής μάθησης βελτιώνουν τις καταγραφές και τις λέξεις κάνοντας την Siri να ακούγεται πιο κοντά με μια ανθρώπινη οντότητα και λιγότερο μηχανική όπως ακούγονταν όταν δημιουργήθηκε για πρώτη φορά στην Nuance.
Στις 30 Ιουλίου του 2014 η Siri είχε μια μεταμόσχευση εγκεφάλου.
Αυτή ήταν η ημερομήνια που η Apple αποφάσισε την μεταφορά της αναγνώρισης φωνής της Siri σε ένα πιο πολυδιάστατο νευρωτικό σύστημα ύστερα και από πολλά παράπονα που έκαναν οι χρήστες μιας και πολλές φορές δεν υπήρχε κατανόηση στις ερωτήσεις και τις αναζητήσεις τους.
Η Apple εκπαίδευσε την Siri σε ένα νευρωτικό δίκτυο με πολλούς υπολογιστές και πάρα πολλά δεδομένα.
“Έχουμε την μεγαλύτερη φάρμα GPUs όλων των εποχών και καλλιεργούμε πολλά δεδομένα” αναφέρει χαρακτηριστικά ο Alex Acero της ομάδας πίσω από την Siri.
Σύμφωνα με τον ίδιο η Siri ξεκίνησε να χρησιμοποιεί αλγορίθμους μηχανικής μάθησης για να καταλαβαίνει καλύτερα τους χρήστες τον Νοέμβριο του 2014 ενώ μια έκδοση της με βαθεία μάθηση δόθηκε στο κοινό ένα χρόνο μετά.
Χρησιμοποιώντας αυτούς τους αλγόριθμους και μια σειρά μηχανισμών νευρωτικών δικτύων η Apple κατάφερε να φέρει αυτή την βαθεία μάθηση στην Siri και να μειώσει τα λάθη που έκανε σχεδόν στο μισό.
By applying machine learning techniques such as deep neural networks (DNN), convolutional neural networks, long short-term memory units, gated recurrent units and n-grams, Apple was able to infuse Siri with deep learning and cut her error rate by a factor of two in all the languages.
Το γεγονός ότι η Apple έχει τόσο μεγάλη βάση χρηστών βοήθησε και αυτό στο να εκπαιδευτεί η Siri ακόμη πιο γρήγορα.
Ο Tom Cruber αναφέρει χαρακτηριστικά:
“O Steve Jobs είπε πως θα πάμε μέσα σε μια νύχτα από κάτι πιλοτικό, μια εφαρμογή, σε εκατομμύρια χρήστες χωρίς κάποιο beta πρόγραμμα. Ξαφνικά θα έχεις χρήστες. Θα σου που με ποιον τρόπο αναφέρουν συγκεκριμένα πράγματα τα οποία είναι σχετικά με την εφαρμογή σου. Αυτή ήταν η πρώτη επανάσταση. Μετά ήρθαν τα νευρωτικά δίκτυα για να συμπληρώσουν αυτή την εικόνα”
Χρησιμοποιεί όμως η Apple κάπου αλλού αυτούς τους αλγόριθμους;
“H Apple χρησιμοποιεί την βαθεία μάθηση έτσι ώστε να ανακαλύψει απάτες στα Apple Store, να βελτιώσει την αυτονομία της μπαταρίας μεταξύ φορτίσεων, να βοηθήσει ώστε να συλλέξουμε και να αναλύσουμε τις χιλιάδες αναφορές από τους beta tester μας. Η αλγόριθμοι μηχανικής μάθησης βοηθούν την Apple να επιλέξει νέες ιστορίες για εσάς και αντιλαμβάνεται αν οι χρήστες του Apple Watch κάνουν κάποια άσκηση. Ακόμη αναγνωρίζει πρόσωπα και τοποθεσίες στις φωτογραφίες σας και για το αν θα πρέπει να αλλάξει μεταξύ WiFi και 4G ανάλογα με την ποιότητα του σήματος και του τι κάνει ο χρήστης εκείνη την στιγμή. Μπορεί ακόμη να έχει συμμετοχή σε μια δική σας ταινία συλλέγοντας αυτόματα μια σειρά φωτογραφιών και δίνοντας πίσω ως τελικό αποτέλεσμα μια μίνι ταινία και όλα αυτά με το πάτημα ενός κουμπιού”
Αν αναρωτιέστε αν και άλλες εταιρείες κάνουν κάτι τέτοιο η απάντηση είναι πως ναι. Πέρα όμως από την ποιότητα υπηρεσιών αυτό που κάνει την Apple να ξεχωρίζει είναι πως όλα τα παραπάνω γίνονται προστατεύοντας απόλυτα τα προσωπικά σας δεδομένα.
Μέσα από το άρθρο επίσης μαθαίνουμε πως ο δυναμικός χώρος αποθήκευσης που επιτρέπει την λειτουργία των αλγορίθμων αυτών μάθησης στο iPhone καταναλώνει περίπου 200MB αποθηκευτικού χώρου.
“Οι συσκευές μας γίνονται όλο και πιο έξυπνες και πιο γρήγορα χάρη στους δικής μας σχεδίασης A-series επεξεργαστές. Το παρασκήνιο πλέον είναι εξυπνότερο, γρηγορότερο και ότι κάνουμε βρίσκει κάποιο λόγο για να συνδεθεί. Αυτό ενεργοποιεί όλο και περισσότερους αλγόριθμους και τεχνικές μηχανικής μάθησης μιας και υπάρχουν τόσο πράγματα να μάθει μια συσκευή”
Αξίζει πραγματικά να διαβάσετε όλο το άρθρο εδώ
