Глубокое обучение называют новым электричеством за его внезапную трансформационную силу во всех отраслях. Хотя внимание к инновационным алгоритмам глубокого обучения заслуженно, превращение инноваций в ценность требует интеграции этих алгоритмов в практические технологические продукты.

Такие продукты часто разрабатываются по принципам Agile. Дэвид Мургатройд — руководитель отдела машинного обучения в Spotify, где они используют ИИ для улучшения рекомендаций, поиска и диалогового взаимодействия, а также для расширения музыкальных возможностей своих потребителей. Он присоединится к нам на Саммите по глубокому обучению в Бостоне, чтобы рассказать о том, как можно гибко подходить к глубокому обучению и успешно интегрировать его в ритм современной организации по разработке программного обеспечения.

Я поговорил с Дэвидом перед саммитом 25–26 мая, чтобы узнать больше о его работе в области глубокого обучения и о том, что ждет технологии в будущем в Spotify.

Можете ли вы рассказать нам больше о своей работе с коротким тизером для вашего сеанса?

Я руковожу отличной группой людей, занимающихся машинным обучением в бостонском офисе Spotify с сотрудниками по всему миру. Это охватывает множество областей применения: голосовое взаимодействие, поиск, краудсорсинг, улучшение графа знаний, анализ звука и персонализация.

Я рад поделиться тем, что узнал о гибком подходе к глубокому обучению, чтобы оно приносило как можно больше пользы как можно скорее.

С чего началась ваша работа в области глубокого обучения?

Изучая нейронные сети в конце 1990-х, я впервые услышал об их возрождении от Эндрю Нг в 2010 году. Затем, когда в 2013 году их применение к символическим областям, таким как язык, стало популярным благодаря word2vec, те из нас, кто занимается обработкой естественного языка, начали всерьез этим заниматься. .

Какие ключевые факторы способствовали недавним достижениям НЛП?

Возможность представлять слова с помощью векторов, возникающих в результате сквозного обучения, была первым большим прорывом в НЛП. В более поздних работах удалось лучше уловить долгосрочные зависимости языка с помощью повторяющихся сетей, таких как BiLSTM, с вниманием.

Какие задачи, по вашему мнению, будут наиболее интересны исследователям и ученым в ближайшие несколько лет?

Что касается NLP, я рад видеть, как рекурсивная структура языка будет проявляться в нейронных архитектурах, а также извлекать выгоду из инноваций, возникающих в других областях приложений (например, GAN). В более широком смысле, я думаю, что предстоит проделать много полезной работы по интерпретируемости и использованию человеческого опыта.

Как вы думаете, какие отрасли больше всего будут зависеть от машинного обучения?

Я считаю, что изначально мы видели, что машинное обучение в первую очередь приносит пользу интернет-компаниям, ориентированным на потребителя, потому что их ресурсы велики, а их проблемы часто более низкого уровня (например, больше восприятия, чем планирования), а также сквозные. Теперь преимущества распространяются на компании B2B, у которых, как правило, есть более сложные и разрозненные проблемы. Куда нам действительно нужно больше инвестиций, так это в некоммерческие организации, ресурсы которых наименьшие, а проблемы зачастую самые важные и наименее изученные.

С точки зрения вертикалей, здравоохранение, транспорт и энергетика кажутся отраслями, в которых некоторая комбинация регулирования и свойств проблем, от этики до стоимости неудачи, по праву заставляет более осторожно внедрять машинное обучение.

Каким вы видите будущее Spotify?

Мне нравится быть в Spotify, потому что я верю, что музыка действительно улучшает жизнь, и потому что машинное обучение играет большую роль в улучшении жизни создателей и зрителей, объединяя их таким образом, чтобы это приносило пользу обоим. Я рад помочь расширить и углубить эту связь с помощью нового опыта и новых способов взаимодействия, которые становятся еще более персонализированными и актуальными.

Дэвид Мургатройд выступит на Саммите по глубокому обучению в Бостоне 25–26 мая, который пройдет одновременно с ежегодным Саммитом по глубокому обучению в здравоохранении.

Подтвержденными докладчиками являются Санграм Гангули, старший научный сотрудник Института НАСА и BAER; Эндрю Таллок, инженер-исследователь, Facebook; Санья Фидлер, доцент, Университет Торонто; Чарли Танг, научный сотрудник, Apple; и Дилип Кришнан, научный сотрудник, Google. Посмотреть подробнее здесь.

Понравился контент? Посетите наш блог RE•WORK, чтобы узнать больше. Присоединяйтесь к Дэвиду на саммите по глубокому обучению, используя код скидки MEDIUM20, эксклюзивный для наших читателей Medium, чтобы получить скидку 20 % на все билеты.

Количество билетов на это мероприятие ограничено. Забронируйте место сейчас.

Мнения, высказанные в этом интервью, могут не совпадать с точкой зрения RE•WORK. В результате некоторые мнения могут даже противоречить взглядам RE•WORK, но публикуются для поощрения дискуссий и всестороннего обмена знаниями, а также для того, чтобы позволить нашему сообществу представить альтернативные точки зрения.