211service.com
Google propose un moteur d'apprentissage basé sur le cloud
Des recommandations de produits d'Amazon à la capacité de Pandora à nous trouver de nouvelles chansons que nous aimons, les services Web les plus intelligents du marché reposent sur l'apprentissage automatique, des algorithmes qui permettent aux logiciels d'apprendre à réagir avec un certain degré d'intelligence à de nouvelles informations ou de nouveaux événements.
Maintenant, Google a lancé un service qui pourrait apporter une telle intelligence à de nombreuses autres applications. API de prédiction Google fournit aux développeurs un moyen simple de créer un logiciel qui apprend à gérer les données entrantes. Par exemple, les algorithmes hébergés par Google pourraient être formés pour trier les e-mails en catégories pour les plaintes et les éloges à l'aide d'un ensemble de données qui fournit de nombreux exemples des deux types. Les futurs e-mails pourraient ensuite être filtrés par un logiciel utilisant cette API et traités en conséquence.
Actuellement, seulement des centaines de développeurs ont accès au service, explique Travis Green, chef de produit Google pour l'API de prédiction, mais nous pouvons déjà voir des gens faire des choses incroyables. Les utilisateurs vont des développeurs d'applications mobiles et Web aux compagnies pétrolières, dit-il. Beaucoup veulent faire des recommandations de produits, et il existe également des cas d'utilisation intéressants d'ONG avec des idées telles que l'extraction d'informations d'urgence à partir de Twitter ou d'autres sources en ligne.
L'apprentissage automatique n'est pas une fonctionnalité facile à intégrer dans un logiciel. Différents algorithmes et techniques mathématiques fonctionnent mieux pour différents types de données. Une connaissance spécialisée de l'apprentissage automatique est généralement nécessaire pour envisager de l'utiliser dans un produit, explique Green.
Le service de Google fournit une sorte de boîte noire d'apprentissage automatique : les données vont d'un côté et les prédictions de l'autre. Il existe trois commandes de base : une pour télécharger une collection de données, une autre pour demander au service d'en tirer des leçons et une troisième pour soumettre de nouvelles données auxquelles le système doit réagir en fonction de ce qu'il a appris.
Les développeurs peuvent le déployer sur leur site ou leur application en 20 minutes, explique Green. Nous essayons de fournir un service vraiment simple qui ne les oblige pas à passer mois après mois à essayer différents algorithmes. La boîte noire de Google contient en fait toute une suite d'algorithmes différents. Lorsque les données sont téléchargées, tous les algorithmes sont automatiquement appliqués pour déterminer celui qui fonctionne le mieux pour un travail particulier, et le meilleur algorithme est ensuite utilisé pour gérer toute nouvelle information soumise.
L'apprentissage automatique à l'échelle de Google est important, déclare Joel Confino, un développeur de logiciels à Philadelphie qui crée des applications Web à grande échelle pour les banques et les sociétés pharmaceutiques, et membre du programme de prévisualisation. Il a utilisé l'API Prediction pour développer rapidement un outil simple mais efficace filtre anti-spam , et il dit que le service a un potentiel commercial évident.
Par exemple, il est peu probable qu'une banque ou une société émettrice de cartes de crédit souhaitant utiliser l'apprentissage automatique pour créer des systèmes prenant des décisions basées sur des transactions historiques dispose du personnel spécialisé et de l'infrastructure nécessaire pour ce qui est une approche à forte intensité de calcul. Cette API pourrait être un moyen d'obtenir une capacité à moindre coût qui coûterait très cher via un itinéraire traditionnel.
Le nouveau service de Google peut également être plus acceptable pour les entreprises qui hésitent à transmettre leurs données à des fournisseurs de cloud, explique Confino. Les données peuvent être complètement masquées et vous pouvez toujours utiliser ce service. Google n'a pas besoin de savoir si les chiffres que vous lui envoyez sont des prix des actions ou des prix des logements.
Cependant, Google obtient des informations qu'il peut utiliser pour améliorer ses algorithmes d'apprentissage automatique. Nous ne regardons pas les données des utilisateurs, mais nous voyons les mêmes métriques sur la qualité des prédictions qu'eux, pour nous aider à améliorer le service, dit Green. Les ingénieurs exécutant l'API Prediction sauront si un algorithme particulier est rarement utilisé ou si un nouveau doit être ajouté au mélange pour mieux traiter certains types de données.
L'API de prédiction a le potentiel d'être un niveleur entre les entreprises établies et les petites startups, déclare Pete Warden, un ancien ingénieur d'Apple qui travaille maintenant sur sa propre startup. OpenHeatMap.com . Cela a été un avantage concurrentiel pour les grandes entreprises comme Amazon, dont la recommandation de produits repose sur l'apprentissage automatique, explique-t-il. Maintenant, vous devez toujours disposer d'un ensemble décent de données d'entraînement, mais vous n'avez pas besoin d'avoir le même niveau d'expertise.
Warden n'a pas encore accès à l'API Prediction, mais envisage de l'utiliser pour améliorer un service qu'il a construit qui montre où se trouvent les personnes utilisant un mot ou une phrase en particulier sur Twitter. Ce serait vraiment intéressant de voir aussi où ils disent des choses positives et négatives sur un sujet, dit Warden. L'API de prédiction pourrait être formée pour faire la distinction entre les tweets positifs et négatifs pour ce faire, dit-il.
Chris Bates, un scientifique des données avec un service de musique en ligne Grooveshark et membre du programme de prévisualisation, convient que la boîte noire de Google permettra une utilisation plus large de l'apprentissage automatique, mais il soutient que le service doit mûrir. Aujourd'hui, il est bon pour prédire dans quelle langue se trouve le texte et également pour analyser les sentiments, par exemple pour sélectionner les critiques positives et négatives, dit-il.
En fin de compte, cependant, ne pas être en mesure d'inspecter le fonctionnement interne des algorithmes et de les affiner pour une utilisation spécifique peut avoir ses limites. C'est bon pour les cas qui ne sont pas critiques, où vous pouvez vous permettre quelques faux positifs, dit Bates. Par exemple, un filtre anti-spam qui laisse parfois passer le message indésirable peut toujours être utilisable, mais une société émettrice de cartes de crédit peut être moins en mesure d'accepter les erreurs.