Интервью с Дипаком Агравалом, вице-президентом LinkedIn по разработке и руководителем отдела ИИ

Дипак Агарвал (Deepak Agarwal) — вице-президент по инженерным вопросам в LinkedIn. Он отвечает за все усилия по внедрению ИИ в компании. Хорошо известен своей работой над рекомендательными системами. Он много публиковался на ведущих конференциях по компьютерным наукам, является соавтором нескольких патентов, является членом Американской статистической ассоциации, а также помощником редактора двух ведущие статистические журналы.

Работая ранее в AT&T и Yahoo, а также в совете директоров SIGKDD, Дипак знаком с корпоративным миром. Эксперт в области технологий искусственного интеллекта и инженерного руководства с более чем двадцатилетним опытом разработки и внедрения современных машинного обучения и статистических методов для улучшения рекомендательных систем, мы не можем дождаться, когда он расскажет нам больше на ИИ с the Best онлайн-конференция разработчиков 29–30 апреля! А пока мы очень рады, что задали ему некоторые из наших вопросов.

В. Как LinkedIn использует машинное обучение в разных продуктах?

В LinkedIn машинное обучение похоже на кислород, оно обеспечивает каждый опыт для наших участников. Мы используем машинное обучение, чтобы использовать огромное количество информации в нашей идентификации и сетевых активах, чтобы помочь связать таланты с возможностями в масштабе. Машинное обучение используется, чтобы рекомендовать людей, с которыми вы можете связаться, рекомендовать информацию о вашей сети и профессиональные новости в ленте новостей, рекомендовать вакансии, на которые вы можете устроиться, чтобы улучшить свою карьеру, курсы, которые вы можете пройти, чтобы улучшить и расширить свои навыки, реклама, потребитель и предприятие поиск и многие другие.

В. Каковы риски, связанные с доверием к машине для отображения рекомендаций более чем 460 миллионам пользователей — бывают ли ошибки в моделях?

Алгоритмы ML носят статистический характер и, следовательно, склонны к ошибкам. Например, у нас есть случаи, когда участнику рекомендуют работу, для которой он слишком квалифицирован. Мы постоянно работаем над тем, чтобы научить алгоритмы уменьшать количество ошибок, учась на прошлых ошибках. Каждый ученый, занимающийся машинным обучением, постоянно думает о способах повышения производительности алгоритмов путем создания новых моделей и добавления/удаления компонентов существующих. Также важно количественно оценить стоимость различных видов ошибок и предоставить ее в качестве входных данных для алгоритмов. Несмотря на ошибки, допущенные алгоритмами, это единственный возможный способ экономически эффективного масштабирования системы, чтобы обеспечить ценность для наших участников. Преимущества машинного обучения для отображения рекомендаций намного перевешивают риски, которые мы принимаем из-за спорадических ошибок.

В. Что лично вы считаете наиболее захватывающим в своей нынешней роли?

Использование данных для принятия решений в условиях неопределенности — это то, что всегда завораживало меня со школы. Использовать эту технологию и изменить мир, соединив таланты с масштабными возможностями и изменив жизни многих людей на планете, — самая захватывающая часть моей нынешней роли. Мне также очень повезло, что я возглавляю звездную команду людей, которые так увлечены своим делом. Это радость и унизительный опыт — работать вместе с таким количеством умных людей каждый божий день и узнавать что-то новое.

В: Расскажите нам о вашем последнем исследовательском проекте/последней версии?

Недавно мы опубликовали на LinkedIn статистику по зарплате для профессионалов. Это был увлекательный проект, поскольку он включал в себя вывод о заработной плате когорты без доступа к данным на уровне участников для сохранения конфиденциальности. Мы в первую очередь являемся компанией-участником и очень серьезно относимся к доверию и конфиденциальности участников. Делать статистические выводы при сохранении конфиденциальности было довольно сложно и весело. Мне также понравилось то, что мы должны были оценить доверительные интервалы. Это сложнее, чем получение точечных оценок.

QМожете ли вы поделиться своими мыслями о планах LinkedIn в отношении ИИ на ближайшие несколько лет?

Мы постоянно расширяем наши усилия в области искусственного интеллекта и инвестируем в новые передовые технологии, такие как глубокое обучение, чат-боты, базы знаний, машинное чтение, машинное обучение с сохранением конфиденциальности, экспериментальный дизайн с сетевым вмешательством и многие другие. Мы считаем, что искусственный интеллект является неотъемлемым компонентом всех наших существующих и будущих продуктов. Мы продолжим вводить новшества в этом пространстве, чтобы объединить профессиональные возможности в масштабе и сделать мир лучше. Наша цель — использовать ИИ для создания возможностей для человечества.

В. Как вы обеспечиваете совместную работу и четкую организацию в своей команде?

Мы нанимаем только умных людей, увлеченных нашей миссией и хорошо вписывающихся в корпоративную культуру. Видение и миссия LinkedIn вдохновляют. Каждый член команды знает, что он является частью чего-то большего, чем он сам. Но они также осознают дерзость цели и знают, что ее нельзя достичь, работая в бункерах. Это способствует сотрудничеству по всем направлениям. Вы можете думать обо мне как о привратнике видения и миссии, я постоянно повторяю это.

Я также трачу много времени на то, чтобы организация усилий между командами была как можно более однозначной, а также на обеспечение подотчетности по всем направлениям. У нас сильная культура требовательности к совершенству. Мы призываем людей идти на смелые риски, но быстро терпеть неудачу. Мы одержимы вознаграждающими инновациями, мы не приветствуем небольшой постепенный прогресс. Основное внимание уделяется прикладному машинному обучению: речь всегда идет о создании отличных продуктов, а не о создании отличных моделей.

Вопрос: Какой совет вы бы дали начинающим разработчикам ИИ?

Потратьте много времени на то, чтобы понять свою область и сформулировать правильную проблему, которую нужно решить. Инструменты для внедрения ИИ в ваши продукты становятся товаром, проблема последней мили — самая сложная часть для ИИ. Следите за конфиденциальностью и интерпретируемостью модели, это станет очень важным в будущем (от этого никуда не деться). Если вы работаете над проблемами, которые требуют постоянного обновления моделей на регулярной основе, вам следует обратить внимание на надежность. Лучше немного снизить точность, чтобы повысить надежность рабочих процессов. Наконец, много читайте и продолжайте экспериментировать с новыми идеями.

В: Вы рады выступить на AI With The Best? Что побудило вас стать спикером?

Я очень рад выступать на AI With the Best. Для меня большая честь быть частью такой талантливой команды спикеров. В ближайшие несколько лет ИИ станет чем-то вроде электричества, и подобные усилия важны как для вдохновения, так и для обучения будущей рабочей силы в этой области.

Спасибо Дипак!

Вы можете задать Дипаку свои вопросы и узнать больше из его доклада об использованииИИ для создания масштабных профессиональных возможностей, на нашей предстоящей онлайн-конференции разработчиков ИИ с лучшими 29 – 30 апреля.