機器學習領域的突破性進展(附視頻中字)

機器學習的發(fā)展涉及到各個方面，從語音識別到智能回復。但這些系統(tǒng)中的“智能”實際上是如何工作的呢？還存在什么主要挑戰(zhàn)？在本次講座中將一一解答。

Google I/O 是由Google舉行的網絡開發(fā)者年會，Google I/O 2016 中圍繞機器學習領域的突破性進展進行了探討。

CDA字幕組對該視頻進行了漢化，附有中文字幕的視頻如下：

機器學習領域的突破性進展

針對不方便打開視頻的小伙伴，CDA字幕組也貼心的整理了文字版本，如下：

大家好，歡迎來到講座：關于機器學習的突破性進展。

我們探討了谷歌對于 AI 的長期愿景，以及過去十年對機器學習的研究。這是十分重要的，因為所有用戶都期待著奇跡發(fā)生。他們希望能與科技自然地交流，就像與人類交流一樣。很明顯，今天是不可能實現(xiàn)的，但是我們在向這個目標努力。

我認為人們常常忽略的是，谷歌不僅僅運用熟知的機器學習方法，致力于逐步改進產品。事實上我們有團隊負責基礎性工作。為了改善機器學習最先進的技術，他們在山景城以及世界各地工作。

接下來你將聽到他們的一些工作成果。如果你也在探索復雜的事情，比如用Tensorflow工作，或者致力于機器學習模型，那么你可以通過這些演講者的經驗教訓得到一些啟示。如果你是開發(fā)人員，想使用我們提供在云的機器學習API，你會很好地理解到哪些好用，以及你如何將其應用到自己的產品中。希望你們能樂在其中。下面有請Francoise。

語音識別

大家好，我叫Francoise。我負責語音識別的工作。我在十年前加入谷歌。你可能很難想起，但十年前還沒有iPhone和安卓系統(tǒng)。那時語音識別主要應用于呼叫中心，這有些煩人并不有意思。

我加入谷歌時有兩個目標：

一、讓語音識別變得有趣且實用；

二、讓語音識別更好地服務全球用戶。

如今過去了十年，安卓手機中約20%的查詢都是通過語音，我們將這視為一項成功。我們剛發(fā)布了Cloud Speech API，這能讓你們利用語音識別開發(fā)出更加有意思的產品。如今涵蓋了80種語言、近40億人口。

當然你可以問我，達到這個成果為何花了十年? 畢竟語音識別很簡單，用一年就能實現(xiàn)，幾年后就能進行轉錄。但是如果看到不同的用戶和場景，當中有不同的需求、不同的說法。

下面我想播放一些語音片段，請點擊下視頻。

(片段一: "大堡礁的水母季在什么時候?")

(片段二: 匈牙利語)這個人在講匈牙利語

(片段三："大象會發(fā)出什么叫聲?")

這是我們需要預想到的數據，不是么?我們想要為這些用戶提供服務，無論他們是誰。我們竭盡所能，但有時候也會出錯。

這是最近報告給我們的一個例子，一位用戶說的是西班牙語。他想表達的是 "打電話給朋友”，但我們識別成了他想要買鋼琴之類的。

再看下一個例子，你可能猜到了，我講法語。因此我用法語來測試我的產品。我跟識別器說"發(fā)生什么了?"卻得到這個結果。雖然聽起來一樣，但是拼寫完全不一樣。

隨后我在韓語也遇到這種情況，如果看到這些字符串，實際上它正確識別了每個韓文字符，但是空格的地方不正確。這就很不一樣了，從翻譯結果就能知道。

我們犯錯了，但是這可是語言識別。語音識別就是機器學習，所以我們能解決這個問題。但在我們探討如何糾正錯誤之前，我想向你們展示語音識別的工作原理。

首先將語音波形圖輸入系統(tǒng)，你希望從中得出句子。

系統(tǒng)中有三個模型：第一個是語音模型，負責提取語音片段，嘗試找出音素的分布概率以及語言中每個發(fā)音；第二個是發(fā)音模型，它從音素得出單詞；第三個是語言模型，通過概率將單詞連接起來。

這是一個等式，表明根據語音觀測我們試圖得出的最大概率的詞序列。通過一些數學基礎，對應不同的模型你能將其分解成三個概率。這些都在表明這是統(tǒng)計模型，由三個不同模型組成 ，當中的一切都是可統(tǒng)計的。

我想多講講第一個語音模型，因為幾十年來我們在用一種稱為高斯混和模型的技術。多年來語音識別領域都用到該技術。但在2012年，我們改為使用神經網絡。這花了一些時間，因為神經網絡需要時間進行訓練。它很龐大，想從系統(tǒng)中得到正確的特點需要做很多優(yōu)化工作。但最終我們完成了。

通過轉為使用神經網絡，準確度得到了大幅度的改善。除此以外，它重啟了該領域的變革。用了基礎設施我們開始創(chuàng)新神經網絡的結構。我們使用它每個月我們都會推出新的結構，并且比過去的版本更加強大。

我們從深度神經網絡過渡到LSTM(長短期記憶)遞歸神經網絡。然后我們開始添加卷積層，這能讓我們更好地處理噪音和回響。之后是CTC(connectionist temporal classification)。這個我將會仔細說明。這些類型的進步帶來了質量的改善，因此在2015年對于不同的語言組，我們大大改善了準確度。

回到CTC，就像我所說的。CTC能減少語音識別器的延遲，意味著當你對識別器說話時你將更快地得到回復，這種感覺很好。有時候事情很復雜，作為谷歌中研究語音識別的團隊，我們在生活中也得到了很多教訓。但為了讓你們從那些經驗教訓中獲益，我需要多講講語音識別的原理。

正如我所說我們使用大量的數據訓練模型，它們來源各不相同， 將用來訓練模型。模型進入識別器，然后用識別器得出的數據，反饋回到模型。因為那些數據很匹配我們要做的事情。問題在于數據有時會出現(xiàn)拼寫錯誤，各種各樣的錯誤。數據并不干凈，這會導致之前遇到的問題。

有一天，我們看到識別器輸出中出現(xiàn)了韓語單詞"keu-a”。我們并不是了解當中的原因，于是開始分析。我們發(fā)現(xiàn)那是小孩子的聲音。人們在進行語音查詢，背景出現(xiàn)了小孩子的聲音。對于這些背景的高音識別器不知道如何處理，所以它找到重元音的單詞就像"keu-a”。然后它會選出那個詞，進行識別。由于之前向你們展示的反饋環(huán)路，它會反饋到系統(tǒng)中。如此反復。

但在我們解決這個問題之前，我們在英式英語中開始看到"kdkdkd"這個詞。你們能猜到它的由來嗎? 有人回答說是來自火車或地鐵。所以是人們在火車和地鐵上使用手機，伴隨著"tick tick"的聲音，然后識別器不知道如何處理。

最后一個有些說不出口，是這個詞 "f*ck”。我們分析后發(fā)現(xiàn)是由于人們拿起手機然后講話，會先吸氣呼吸。這是吹氣的聲音。

我意識解決這個問題需要向系統(tǒng)輸入更多的人類知識。因此我們投入更多語言學家和人力資源，以解決這類問題。從而對數據更好地格式化，然后正確地轉錄數據。我們建立了很復雜的準則，為了正確地轉錄數據。通過三百萬注釋的波形，我們可以訓練語言模型，從數據中學習新的發(fā)音，增加語言模型訓練集，這些都會帶來改善。

通過三百萬波形我們可以做很多工作，如果是三千萬呢? 因此我們開始努力轉錄3萬3千小時的人類語音，需要600人在合理時間內完成。通過這些數據我們希望實現(xiàn)更加復雜、更加緊密的結構。因此我們能夠使用，并且實現(xiàn)語音識別的夢想，即讓它服務到地球上的每個人。

謝謝，下面有請 Andrew。

機器學習與圖像

謝謝 Francoise。大家好，我是 Andrew。

這張是機器學習常見的圖，圖中有一些紅點和藍點。我們嘗試得出能夠區(qū)分紅點和藍點的模型。當我們拿到新的輸入數據，模型便可推測輸入的是紅點還是藍點。

在接下來的10分鐘里，我們將講些不一樣的內容。這個是我，這張照片里只有我一個人。很難僅憑這點猜測我喜歡做什么?？赡芪蚁矚g戴帽子。但是你可以收集一些特征，訓練模型，從而預測我喜歡做什么。

講講另外一種做法。不僅僅通過這個數據，如果我把它和數據集中的相鄰數據一同考慮，添加關聯(lián)性。在這個例子中是加上我的孩子們?，F(xiàn)在可以推斷，也許我喜歡跟孩子們一起參加萬圣節(jié)活動。

通過這種直覺，并不是獨立地對數據對象分類。我們可以利用不同數據點間的關系。

谷歌有個叫做Expander的基礎設施，專門完成這類任務。這是利用數據對象間關聯(lián)性的平臺。

舉個例子，很明顯我喜歡萬圣節(jié)的"trick-or-treating”。那么如果我能識別出南瓜將會很有用。在谷歌我們有個很棒的圖像理解系統(tǒng)，這是它的工作原理。輸入一組帶有訓練標簽的圖像，接著它學習深度網絡。這種學習能使它識別新圖像，也能識別出未來的物體和圖像。

現(xiàn)在我們給它沒有標簽的圖像，運用模型給這些圖像貼標簽。你可能會問我們最開始用到的那些標簽怎么樣。它們不錯，但不是特別好。

左邊的一個圖是南瓜，右邊的是南瓜湯。如果你使用神經網絡，學習南瓜的形狀，并接收這些輸入信息是很難的。

這是一個混合系統(tǒng)，它以圖片為基礎，學習關聯(lián)性，從而區(qū)分正確的訓練數據。并在這個基礎之上，應用深度網絡學習來辨識出正確的模型。

我們該怎么做呢? 我們已知這些數據對象的關系，在這些像素陣列之間，我們可以捕捉兩個圖形間相似點的嵌入映射。即這兩個圖像有多大幾率包括相同的物體。

我們已知是南瓜的物體，通過這些關聯(lián)線確認我們最初的判斷，即物體為南瓜。當我們看到右邊的圖片，我們也可以做同樣的操作?？梢酝卣箖蓚€不是南瓜的例子。通過這些圖片得出結論，之前標記為南瓜湯的對象不太準確。

我們可以使用這種方法，減少訓練數據里約40%的數據。這樣圖像分類的度量標準提高了9%。

讓我們看看它的工作原理，這個是圖像傳播的一種等式形式。我們寫一個罰函數(penalty function)得出數據中的相鄰關聯(lián)的效果?？吹接衛(wèi)u-lv的部分，這指數據集中U和V 節(jié)點數據相距多遠。Wuv為權重，代表它們的關聯(lián)強度，然后加總整個數據集。這指具有相似信息的關聯(lián)線條語句匹配度的差距。然后我試著減少這個差距。

下面的這個等式表明，如果對每個數據對象進行操作，使用相鄰對象的標簽更新標簽，對圖片中的所有數據都如此操作，如此重復。信息在圖片中傳遞，并得出收斂到成本函數的最佳分配。以上是算法方面。

還有系統(tǒng)方面，構建這些系統(tǒng)是為了同時處理億萬量級的數據。我們想在圖片上進行這樣的操作，使用這些技術我們開發(fā)了相應的工具。

另外兩個例子。比如短信智能回復。這個圖片里的頂點是你可能會發(fā)送回復。線條代表相似信息，即這些回復可用于相似語境。或者是詞匯式相似，即詞語相同?；蛘咴~語嵌入為基礎的相似。

有這張圖之后我們就可以運行擴展器來生成簇。這將返回相同意思的相似詞組。還可以針對特定用戶，根據語境選出合適選項，對于不同簇的理解，可以確保我們提供多樣的選擇。因此我們并不是選擇三種方式表達相同的意思。

這在英語中運用得很好，我們也可以在其他語言中做相同操作。比如專門用于問候的回復。在英語中我可能會說 "Hi!""How's things?" "What's up?”，這些句子之間有關聯(lián)。

在法語中我可能會說"Ca Va?" "Salut!”，我可以用谷歌翻譯的模型構建法語變量和英語變量間的關聯(lián)。

我們能夠在其他語言中構建智能回復功能的數據結構，比如葡萄牙語、印度尼西亞語、西班牙語，甚至是印度英語中。

再舉個例子，搜索查詢。我很喜歡萬圣節(jié)"trick-or-treating”。我想給我的孩子講一些萬圣節(jié)的故事，于是我向谷歌問一些問題，希望谷歌能夠返回直接回答我問題的文字。

這里是一張圖片，其各個頂點代表查詢需求。線條則表示兩個查詢能夠以相同的信息回復。實線是我確定的內容，虛線則是不太確定的內容。完成之后，我們就可以自動解答億萬條搜索查詢中語義相等的問題了。

我們在圖片中使用機器學習來理解自然語言、搜索查詢、圖像和其他媒體對象。你們可能還聽過照片回復，即用圖像回復，這是用的相同的技術。我們可以使用相同的技巧生成簡要的模型，并實際應用在安卓產品設備上。