(Вся заслуга в этой информации принадлежит Питеру Грабовски, руководителю сайта Google Austin, Enterprise AI)

Последние несколько лет в Google мы создали горизонтальную команду ИИ, специализирующуюся на машинном обучении (ML) для корпоративных приложений. Это было нелегко, но оказало огромное влияние. Благодаря этому процессу мы выявили множество преимуществ централизованной команды машинного обучения, включая лучший доступ к талантам и улучшенное удержание инженеров, более многократно используемые общеорганизационные решения и расширенные возможности для сбалансирования нестабильных проектов машинного обучения.

Но сначала - что такое горизонтальная команда ИИ и как ее построить?

Почему централизованная команда?

Накопление данных может легко перегрузить аналитиков и продуктовые группы, но дает возможность: что, если бы мы могли решить некоторые сложные крупномасштабные проблемы (например, патентная классификация или отметка о несоответствующем содержании) со всеми этими данными, используя машинное обучение? Центральная команда, сосредоточенная на применении методов искусственного интеллекта / машинного обучения для решения проблем всей компании, позволяет нам брать опыт из одного варианта использования (помогая юридическому отделу с их массой патентов) и переносить его в другой (найти правильный курс обучения для карьерного роста).

Что такое горизонтальная команда ИИ?

Горизонтальная команда ИИ - это централизованная группа, призванная помочь организации ответственно и продуктивно использовать машинное обучение. Мы помогаем бизнес-группам Google придерживаться передовых методов корпоративного машинного обучения, учитывая такие аспекты, как справедливость, конфиденциальность и интерпретируемость. Мы сотрудничаем с Google Research, чтобы применить последние достижения машинного обучения для решения наиболее важных бизнес-задач Google. Наконец, мы советуем бизнес-лидерам в компании, где машинное обучение могло бы лучше всего вписаться в их дорожные карты, помогая расставить приоритеты для наиболее эффективных приложений.

Как вы строите команду?

Наша команда была сформирована путем объединения двух выровненных по вертикали функциональных групп машинного обучения. После демонстрации успеха в этих областях наша сфера деятельности была расширена и теперь включает все внутренние корпоративные функции Google. Наша команда является частью более крупной горизонтальной инфраструктуры предприятия, обслуживающей тех, кто занимается производством, маркетингом, финансами и другими функциями.

Найм в команду - сложная задача - эта группа не похожа ни на одну другую команду, которую я создал. Традиционные команды машинного обучения обычно обладают одной ключевой компетенцией. Например, у вас может быть команда, специализирующаяся на естественном языке или в первую очередь на компьютерном зрении. Учитывая нашу широкую компетенцию, наша команда знакомится со всеми областями машинного обучения, включая такие области, как оптимизация, анализ временных рядов и обнаружение аномалий.

В результате нам пришлось изменить способ найма. Ни один кандидат не является экспертом во всех областях, которые мы рассматриваем. Мы ищем в первую очередь кандидатов с сильным опытом в области прикладной математики и продемонстрировавших историю изучения новых методов. Отсюда мы отбираем кандидатов с опытом работы в определенных областях, особенно в тех, в которых у нас пока нет опыта. После приема на работу мы уделяем большое внимание обзору технического проекта, который эффективно способствует обмену знаниями в команде. Мы также часто приглашаем внешних докладчиков из Google и за его пределами, чтобы убедиться, что команда всегда в курсе последних и лучших технологий.

Следует помнить о трех вещах

Мы многому научились, создавая первую команду корпоративного ИИ в Google. Вот три основных вывода из нашего опыта.

1. Воздействие - это ключ к успеху

Когда вы впервые создадите команду, у вас наверняка будет масса заинтересованных клиентов. Некоторые из идей, которые они вам предлагают, будут отличными, а другие - менее практичными. Чтобы облегчить сортировку неизбежно длинного списка, важно сосредоточиться на расстановке приоритетов. В нашей команде мы расставляем приоритеты по проектам в зависимости от того, какое влияние они могут оказать - будь то сэкономленные доллары или часы, снижение рисков или повышение удовлетворенности пользователей (конечно, сопоставление этих факторов друг с другом может быть отдельной публикацией!)

2: Образование, образование, образование

Мы провели обширную серию курсов, ориентированных на обучение сотрудников, с курсами, предназначенными для рекрутеров, менеджеров по продукции, инженеров и руководителей. Ценность этих курсов трудно переоценить. Помощь людям в изучении основ машинного обучения позволяет им более эффективно генерировать идеи для новых проектов. Мы обнаружили, что качество предложений, которые мы получаем, заметно выше, когда они поступают от групп, получивших некоторый уровень обучения машинному обучению.

В этом есть смысл - команды, с которыми мы сотрудничаем, являются экспертами в своих областях, поэтому они будут лучше всего оснащены, чтобы выявить соответствующие проблемы в своей сфере. В качестве дополнительного бонуса машинное обучение стало намного более доступным в последние годы, поэтому многие технически подкованные команды, вероятно, смогут решить свои собственные проблемы с помощью небольшого руководства по построению проблем и таких инструментов, как AutoML, что позволит вам и вашим команда сосредоточиться на более сложных вопросах.

3. Будьте осторожны с данными о людях

Одна из самых интересных проблем возникает при работе с данными о людях. Эти данные особенно важны, но также особенно важны и требуют особого внимания. Мы выделили три ключевые области для всех видов машинного обучения: конфиденциальность, справедливость и интерпретируемость. Это особенно важно при работе с данными, созданными людьми. Такие методы, как интегрированные градиенты, дифференцированная конфиденциальность, федеративное обучение и mindiff могут помочь решить некоторые из этих проблем.

Как начать

Вступить на этот путь может быть непросто, и многие команды не могут решить, с чего начать. Мы работали над тем, чтобы наши продукты облачного ИИ были доступны для всех разработчиков и инженеров, чтобы вы могли тестировать инструменты ИИ, не тратя много времени на подготовку. Одна из самых сложных вещей, связанных с началом работы с машинным обучением, заключается в том, что настройка гиперпараметров и обучение модели могут быть очень сложными.

По крайней мере, тяжело для человека.

Поэтому мы настроили наш ИИ, чтобы исправить это, и теперь вы можете сами использовать эти продукты в языках, изображениях, видео или наборах структурированных данных. Попробуйте AutoML и обучите свои собственные частные модели, основанные на работе Google со структурированными данными и самонастраивающимися моделями.