لى فنغ شبكة AI تقنية الصحافة، 15 يناير 2019، وجوجل زميل جيف دين وجوجل التنفيذيين الذكاء الاصطناعي مجتمع البحوث نيابة عن Google بالكامل سراح 2018 ملخص السنوي لمنظمة العفو الدولية، وهذا هو ملخص من العام المقبل. تلخص هذه الورقة التكنولوجيا والتطبيقات تم تلخيص AutoML، TPUs، والبرمجيات مفتوحة المصدر ومجموعات البيانات والروبوتات وغيرها، ونوقشت 2019. لخصت شبكة لى فنغ جمعتها منظمة العفو الدولية تقنية مراجعة على النحو التالي:

وقد صور في عام 2018 في هذه المناطق أيضا تقدما في ما يلي:

AutoML

المعروف AutoML أيضا باسم "الفوقية التعلم"، وذلك أساسا من خلال تعلم آلة آلة تعلم بعض الطرق لجعل تحقيق "الأتمتة". على مر السنين قمنا بإجراء البحوث في هذا المجال، والهدف هو تطوير القدرة على الفهم والتعلم من تراكم الماضي من الأفكار، ثم تحديد تلقائيا وحل مشاكل جديدة في النظام. في وقت مبكر نستخدم أكثر من غيره هو تعزيز التعلم، ونحن الآن مقفل العينين على خوارزمية التطورية. في العام الماضي، وأظهرت لك كيفية المهام البصرية اكتشاف بنى الشبكة العصبية الأكثر تقدما من خلال خوارزمية التطورية تلقائيا. وبالإضافة إلى ذلك، بحثنا أيضا دور تعزيز التعلم في أكثر من استرجاع بنى الشبكة العصبية، ونجحت أخيرا في إثبات يمكن استخدامها في حل المشاكل التالية:

1) يولد تلقائيا صورة تسلسل التحولات، لتحسين دقة نموذج مختلف الصورة؛

2) إيجاد شكل جديد من أشكال الأمثل التعبير الرمزي، قواعد الأمثل من يشيع استخدامها على نحو أفضل.

ونحن نعمل في عروض AdaNet كيفية إنشاء تعلم آمنة وسريعة ومرنة استخدام خوارزمية AutoML.

AdaNet تعزيز بتكيف دمج الشبكات العصبية. وتحسب خسارة كل مجموعة من المرشحين خلال كل التكرار، ثم انتقاء واختيار أفضل المرشحين في التكرار التالي.

محورا آخر من عملنا هو لاستكشاف تلقائيا حساب معظم كفاءة هندسة الشبكات العصبية بحيث يمكن حساب محدودية الموارد والبيئات الوقت المنطق (مثل الهواتف النقالة، المركبات الذاتية، الخ) لتشغيل في بعض. وتحقيقا لهذه الغاية، فإننا ثبت أنه طالما يتم الجمع بين دقة هذا النموذج مع الوقت الاستدلال بحثا عن تعزيز التعلم وظيفة جائزة الهندسة المعمارية، ويمكنك أن تجد ليس فقط تلبية معوقات الأداء متسقة من نموذج معين دقة عالية و. وبالإضافة إلى ذلك، بحثنا كيفية التعلم من خلال ضغط نموذج ML ML التلقائي، مع أقل معلمات التوليف والحوسبة وضع استهلاك الموارد.

TPUs

وحدات معالجة الموتر (TPUs) هي الداخلية ML جوجل الذاتي المتقدمة مسرع الأجهزة، تم تصميم بداية لاستخدامها في التدريب على نطاق واسع والمنطق. السماح TPUs اختراقات كثيرة البحوث جوجل لا يمكن أن يتحقق، على سبيل المثال، بيرت المعروفة (التي سبق ذكرها). وبالإضافة إلى ذلك، عن طريق مفتوح المصدر، الذي يسمح للباحثين في جميع أنحاء العالم لجوجل لتوسيع والبحوث لتحقيق انفراجة. أكثر مثال نموذجي، أحرار في أحد بيرت Colab من التشذيب على TPUs، أن نذكر هنا TensorFlow سحابة البحوث، الذي يسمح للباحثين لآلاف من قوة الحوسبة يتم تزويد عموما من مبلغ TPU سحابة مجانية فائدة. وبالإضافة إلى ذلك، فإننا سوف تبو أجيال متعددة من الأجهزة، المبيعات الخارجية سحابة التجارية TPUs، بما في ذلك ما يسمى الغيمة TPU قرنة ML العملاق، الأمر الذي يجعل خدمات التدريب ML نطاق واسع تصبح في متناول اليد. جوجل فقط لأغراض داخلية، بالإضافة إلى الأبحاث ML حققت تقدما سريعا، ساهم TPUs أيضا إلى تحسينات كبيرة في جوهر منتجات Google، بما في ذلك استرجاع جوجل، يوتيوب، جوجل، وجوجل المساعدين ذكي والترجمة من Google. ونحن نتطلع إلى رؤية فريق ML من جوجل الداخلية وأماكن أخرى يمكن TPUs، وعلى نطاق لم يسبق لها مثيل الحوسبة لمزيد من الاختراقات في مجال ML.

جهاز واحد TPU V3 (يسار) وTPU V3 قرنة جزء عضوا عرض (يمين). جوجل TPU V3 هو أحدث جيل من وحدة المعالجة التنسور (TPU) الأجهزة. يباع في شكل الخارجي V3 سحابة TPU، فإن استخدام تكنولوجيا التبريد السائل للحصول على أداء الأمثل (رقائق الكمبيوتر + = السائلة الكثير من المرح!)، وTPU الكامل V3 قرنة تكون قادرة على توفير ما يصل إلى 100 petaflops أكبر مهمة ML في العالم القدرة الحاسوبية.

برمجيات المصدر المفتوح ومجموعات البيانات

الافراج عن البرمجيات مفتوحة المصدر، وخلق مجموعات البيانات العامة الجديدة، نساهم في معظم الأوساط البحثية هندسة البرمجيات الهامة بطريقتين. في هذا الصدد واحدة من أعظم مساهمتنا في TensorFlow جنس، وهذا هو بيان في نوفمبر تشرين الثاني عام 2015 ML نظام الحوسبة، شعبية هذه السنوات. انتهينا للتو 2018 كما TensorFlow احتفال ثلاثة أعياد الميلاد، وقد تم تحميل TensorFlow أكثر من 30 مليون مرة خلال هذه الفترة، وهناك أكثر من 1700 المساهمين لإضافة 45،000 مرة يرتكب. نحن TensorFlow في التحديث 2018 من ثمانية الإصدارات الرئيسية، وآلية ديناميكية الرسم البياني واستراتيجيات التوزيع وظائف رئيسية أخرى. في عملية التنمية، أطلقنا العامة لأنشطة مراجعة التصميم لجذب انتباه المجتمع، للحفاظ على المساهمين من خلال تشكيل جماعات المصالح الخاصة. مع TensorFlow لايت، أدخلت TensorFlow.js TensorFlow الاحتمالات وغيرها من المنتجات، TensorFlow والنظم الإيكولوجية بشرت عام 2018 في نمو كبير.

نحن سعداء لسماع TensorFlow باعتباره التعلم أعلى الجهاز وإطار التعلم العميق له جاذبية قوية على جيثب. قد ارتكبت فريق TensorFlow للمشاكل حل بسرعة الموجودة على جيثب، وتوفير سلاسة تشغيل القناة المساهمين الخارجيين. وفقا لبحث الباحث العلمي من Google، نشرنا تستمر الأوراق لتوفير الدعم الفعال لغالبية آلة التعلم والبحث العميق التعلم في جميع أنحاء العالم. أطلقت TensorFlow لايت فقط في السنة، وسيتم منح للاستخدام على أكثر من 1.5 مليار جهاز في جميع أنحاء العالم، أصبح رقم واحد ML باستخدام الأطر جافا سكريبت، وفي الوقت نفسه في تسعة أشهر فقط من إطلاق سراح الخارجي، تلقت أكثر من 2 مليون مرة في جيثب شبكة توصيل المحتوى (CDN) يضرب 20500000 وتنزيل أكثر من 10000 مرة من كمية من النجوم تضيء.

بالإضافة إلى استمرار عمل مفتوحة البيئي مصدر الحالية، عام 2018 ونحن أيضا في الأمور التالية:

• لإدخال مرنة، قابلة للتكرار تعزيز التعلم إطار جديد

https://ai.googleblog.com/2018/08/introducing-new-framework-for-flexible.html

• يمكن إدخال أداة التصور تعلمت بسرعة ميزة مجموعة البيانات (دون كتابة أي رمز)

https://ai.googleblog.com/2018/09/the-what-if-tool-code-free-probing-of.html

• زيادة ينطوي على خوارزمية التعلم إلى رتبة (عملية من أجل تحقيق أقصى فعالية قائمة كاملة من الطرق لفرز قائمة مشاريع بما في ذلك محركات البحث، وأنظمة توصية، والترجمة الآلية ونظم الحوار وحتى مجال علم الأحياء الحسابي، الخ) كبير مكتبة تعلم الآلة

• أضف سريعة وإطار حل مرن AutoML

• أضف متصفح لأداء التصور في الوقت الحقيقي من تي SNE من مكتبة TensorFlow.js

• زيادة أدوات FHIR للعمل مع البيانات الطبية الإلكترونية (سيتم ذكرها التأمين الطبي في هذا الرابط) من و البرمجيات

لكامل MNIST tSNE تطور جزءا لا يتجزأ من الوقت الحقيقي من مجموعة البيانات. هذه مجموعة من البيانات يحتوي على 60،000 الصور الرقمية مكتوبة بخط اليد. عرض حي يرجى الضغط على: الشبكي: //nicola17.github.io/tfjs-tsne-demo/

مجموعة البيانات شيوعا هو مصدر كبير للإلهام الزناد، يمكن أن يؤدي التقدم الكبير الذي أحرز في العديد من المجالات، وذلك لأن مجموعة البيانات المشتركة يمكن أن تجلب البيانات وقضايا للمجتمع مثيرة للاهتمام، وتشكيل جو تنافسي يساعد في حل العديد من المهام. هذا العام سعداء علينا أن نكون قادرين على اطلاق سراح بيانات Google تعيين أداة استرجاع (جوجل الإدراجات البحث)، وهذا هو يمكن أن تجعلنا ترغب في العثور على مجموعة مشتركة من البيانات من مختلف قنوات الشبكة أدوات جديدة. التعليقات العامة من الملايين من صورة أو بيانات الفيديو مجموعات، إلى مصدر البنغال مجموعة البيانات السكانية للتعرف على الكلام، لانتزاع ذراع الروبوت مجموعة البيانات، كل هذه السنوات كنا نخطط له وأفرج عنه عدة مجموعات البيانات الجديدة، حتى عام 2018 سنوات، وبيانات المخزون المقرر أيضا في تزايد مستمر.

من خلال إضافة البرامج إلى فتح الصور الموسعة الصورة على جمع (من الهند وسنغافورة)

ونحن أيضا نشر الصور المفتوحة V4، والتي تقوم على الوارد 15.4 M 600 أنواع من فئات إلى بيانات الإطار صورة 1.9 M من 1979430.1 M وغيرها من أنواع على مستوى التحقق من صورة مجموعات العلامة البيانات يدويا. نحن crowdsource.google.com 5.5M أضاف توليد البيانات الشرح المقدمة من قبل الملايين من المستخدمين في جميع أنحاء العالم باعتبارها مجموعة البيانات، وإثراء فعال تنوع مجموعة البيانات من حيث المشهد البشري. ونحن أيضا نشر الذرية تطبيقات البصرية مع مجموعة بيانات الفيديو عرض قدرات الشرح (AVA)، وآلة يمكن تعزيز فعالية قدرات الفيديو للسلوك البشري وفهم اللغة. وبالإضافة إلى ذلك، ونحن أيضا أعلن يوتيوب-8M تحدي آخر الرسمي والثاني يوتيوب-8M على نطاق واسع، فيديو تحدي فهم ورشة عمل. مجموعات البيانات المنشورة أخرى، مثل HDR + انفجار أهداف التصوير لتقديم المساعدة لمجموعة متنوعة من البحوث في مجال التصوير الفوتوغرافي الحسابية، جوجل، معالم هو الدور الجديد في تحديد مجموعات البيانات الأخرى. بالإضافة إلى نشر مجموعة من البيانات، ونحن أيضا استكشاف بعض التقنيات الجديدة ذات الصلة، مثل الشرح السائل يسمح لنا بسرعة لخلق مجموعات البيانات التصور، من خلال استكشاف واجهة برنامج تشغيل ML لسرعة السلوك شرح الصورة.

السوائل الشرح COCO مجموعة البيانات على أساس التصور الصورة. المصدر: gamene، الصورة الأصلية.

من وقت لآخر وسنقدم الأوساط البحثية لإقامة تحديا جديدا للجميع البلمرة معا على حل الأسئلة البحثية صعبة. بشكل عام، ونحن سوف نسعى إلى تحقيق ذلك من خلال إصدار مجموعة البيانات الجديدة، ولكن هناك استثناءات. على سبيل المثال هذا العام، وقد وضعنا صورة شاملة حول التحدي تحديا جديدا، لخلق الإعفاءات التحيز، نموذج أكثر قوة، تم تصميم iNaturalist 2018 تحدي للسماح للكمبيوتر أن نكون حذرين للتمييز بين فئات الكائنات (مثل الصور الأنواع النباتية)؛ على Kaggle أطلقت "السريع، رسم!" التحدي الاعتراف خربش محاولة لخلق تصنيف أفضل لعبة خاصية حجم، وهناك تعليق المفاهيمية كما على نطاق واسع مجموعات بيانات الصورة والعنوان الفرعي تتحدى يهدف إلى تشجيع أفضل صورة نموذج دراسة التسمية التوضيحية.

الروبوتات

عام 2018، في فهمنا للآلة تعلم كيفية تعليم عمل الروبوت جعلت هذا الهدف تقدما كبيرا في تدريس قدرة الروبوت لتعلم أشياء جديدة وصلت إلى مرحلة جديدة (2018 CORL أفضل نظام من الورق). نحن أيضا نضم آلة التعلم وأساليب (أفضل خدمة الروبوت أطروحة ICRA 2018) على أساس أخذ العينات والهندسة البحوث الروبوت، تم إحراز تقدم في تعلم الروبوت. من خلال المراقبة الذاتية على إدراك أفضل لهيكل من العالم حققنا تقدما كبيرا على قدرة الروبوت. لدينا أول نجاح في الروبوت الحقيقي على الانترنت بتدريب تعزيز عميق نماذج التعلم، والمناهج النظرية الجديدة يبحثون عن التعلم مستقر أسلوب التحكم الآلي.

تطبيق الذكاء الاصطناعي في مناطق أخرى

عام 2018، سوف نتعلم عمق سلسلة من الأسئلة المستخدمة في العلوم الفيزيائية والبيولوجية. استخدام التعلم العميق، ونحن يمكن أن توفر ما يعادل مئات من العلماء مع مساعدي البحوث استخراج البيانات لتحسين قدراتهم الإبداعية والإنتاجية.

لدينا درجة عالية من الدقة التلقائي إعادة بناء الخلايا العصبية على الهدايا ورقة نموذج جديد، مقارنة بالقراءة السابقة التي تعلم عمق التكنولوجيا، فإنه سيتم ربط دقة تلقائيا يتم ترجمتها بنسبة أمر من حجم البيانات حجم (بيانات connectomics).

يظهر في الصورة أنظمتنا يتعقب نقاط الاشتباك العصبي في الدماغ الطائر المغرد

تعلم آلة ينطبق على بعض الأمثلة الأخرى من العلوم هم:

• بواسطة النجوم استخراج البيانات منحنى الضوء، واكتشاف كواكب خارج المجموعة الشمسية الجديدة

• تحديد أصل أو وظيفة من تسلسل الحمض النووي قصيرة

• الكشف التلقائي من يزيل التباؤر صورة مجهرية

• بناء صورة ملوث بمادة تكنولوجيا خلايا الرقمية

• التلقائي رسم FIG التحليل الطيفي كتلة سلسلة ببتيد

في فيجي (صورة J) في الداخل، تم تقييم نموذج TensorFlow صورة ذات جودة التركيز خياطة الخلايا المجهري. يمثل الحدود هوى من التنبؤ نوعية التركيز، تمثل التنبؤ الإنارة حدود عدم اليقين.

الصحة

في السنوات القليلة الماضية، وكنا في مجال تعلم الآلة يطبق على الصحة، وهذه المنطقة يؤثر على كل واحد منا، ونحن نعتقد أننا يمكن أن تعزز الحدس والخبرة من المهنيين الصحيين من خلال التعلم الآلي، وهو المجال الطبي الضخم يتغير. ونحن عموما سوف تعمل مع مؤسسات الرعاية الصحية لمعالجة هذه المشكلة من البحوث الأساسية (خبراء السريرية استخدام ملاحظاتك لجعل نتائجنا أكثر مصداقية)، ثم نتائج نشرت في المجلات العلمية والسريرية مراجعة الأقران موثوقة. مرة واحدة وقد ثبت الدراسة سريريا وعلميا، سنقوم بتنفيذ المستخدم وHCI من البحوث لفهم كيفية نشر في عملية إعداد سريرية حقيقية. عام 2018، فإننا سوف التنبؤ مهمة سريرية شملت أيضا في مجال التشخيص بمساعدة الحاسوب.

في نهاية عام 2016، نشرنا أظهرت دراسة أنه في دراسة استعادية، الصورة السفلية تلقى تدريبا نموذج تقييم علامات الشبكية من أداء اعتلال الشبكية السكري في هذه المهمة أفضل قليلا من طبيب العيون المجلس معتمدة الطبية الأمريكية. عام 2018، كنا قادرين على إثبات، من خلال السماح للالشبكية المتخصصة علامات التدريب الصورة ويستخدم برنامج التصميم (في هذا السيناريو، متعددة المتخصصين في شبكية العين معا لإجراء تقييم مستقل كل صورة قاع الجماعية)، ونحن يمكننا استخلاص أخصائي شبكية العين مع نماذج مماثلة. وفي وقت لاحق، نشرنا تقريرا تقييميا، ويظهر كيف العيون باستخدام هذا الجهاز نماذج التعلم، وجعلها جعل أكثر دقة مما كانت عليه عندما وحده لا يجعل قرار استخدام من تعلم الآلة. لدينا مستشفى أرافيند للعيون في الهند وتايلاند، وزارة الصحة في Rajavithi المستشفيات التابعة لها وأكثر من 10 موقعا في التعاون مع زملائنا الأبجدية معا نشر هذا النظام كشف اعتلال الشبكية السكري.

على اليسار هو صورة قاع شبكية العين، وقد تم تقييم لجنة متخصصة عين القضاة كما المعتدل DR ( "MO"). ويظهر في الزاوية اليمنى العليا نموذج التنبؤ بنتيجة ( "N" = لا DR، "MI" = DR الطري، "MO" = DR المعتدل). في الزاوية اليمنى السفلى هي مجموعة من عشرات تعطى من قبل طبيب من دون مساعدة.

ونحن أيضا نشر دراسة عن نموذج التعلم الآلي، ويمكن لهذا النموذج تقييم المخاطر من المرضى الذين يعانون أمراض القلب والأوعية الدموية من خلال الصورة الشبكية. هذا هو أسلوب جديد لالمؤشرات الحيوية موسع التي يمكن أن تساعد الأطباء على فهم أفضل الحالة الصحية للمريض.

هذا العام علينا أيضا أن نواصل التركيز على الأمراض، ويبين كيفية استخدام آلة التعلم لتحسين درجة من سرطان البروستاتا، تم الكشف عن سرطان الثدي النقيلي من عمق التعلم، وتطوير نموذج أولي تضاف الواقع المجهر، والتي يمكن الحصول عليها من رؤية الكمبيوتر عن طريق نموذج في الوقت الحقيقي فرضه المعلومات البصرية على العلماء المجهر الميدان، والأطباء المساعدة وعمل علماء آخرين.

في السنوات الأربع الماضية، ونحن في استخدام البيانات السجلات الصحية الإلكترونية لدراسة متعمقة والأبحاث من أجل جعل الكثير من التنبؤ السريرية ذات الصلة. عام 2018، لدينا UCSF التعاون وجامعة ستانفورد مدرسة الطب وكلية الحقوق بجامعة شيكاغو للطب، والدراسة التي نشرت في مجلة "الطبيعة لطب الرقمي". أبحاثنا حول كيفية نموذج التعلم الآلي للسجلات الطبية الإلكترونية مجهولة الهوية مقارنة مع أفضل الممارسات السريرية الحالية، يمكن أن تجعل توقعات أكثر دقة حول مجموعة متنوعة من المهام ذات الصلة سريريا. وكجزء من هذا الجهد، وقد وضعنا عددا من الأدوات لجعل الفرق في شخصية كبيرة، مجموعات البيانات EHR الأساسية هي حالات مختلفة جدا، لخلق نماذج أسهل. لقد قمنا بتطوير الرعاية الصحية السريعة الموارد التعاونية (سريع الرعاية الصحية التوافقية الموارد (FHIR)) برمجيات المصدر المفتوح المتصلة بالمعايير لمساعدة أسهل في التعامل والبيانات الطبية أكثر موحدة (انظر هذه القاعدة كود جيثب). في الآونة الأخيرة، وفريق والشركاء لمعا العمل في "التكنولوجيا الحيوية للطبيعة" تنشر أوراق لاستعراض الأقران.

عندما يطبق التاريخ للتعلم آلة لجمع البيانات، فمن المهم أن نفهم بنية الإنسان الانحراف الماضي من ذوي الخبرة من السكان، وكيف يتم ترميز هذه الانحرافات في البيانات. يوفر تعلم الآلة فرصة للكشف وحل التحيز، والعمل بنشاط على تعزيز معرض الصحة، وهذا ما نحاول أن تقدم القصة.

البحوث والترويج

نحن نستخدم العديد من الطرق المختلفة للتفاعل مع المجتمع البحثي الخارجي، بما في ذلك المعلمين والطلاب المشاركين في الدعم. نحن فخورون لاستقبال مئات الجامعية والماجستير وطلاب الدكتوراه كمتدربين، وتقديم المنح الدراسية للطلاب الدكتوراه لسنوات عديدة في أمريكا الشمالية وأوروبا والشرق الأوسط. وبالإضافة إلى الدعم المالي، يتم تعيين كل منحة دراسية للباحثين واحد أو أكثر جوجل كمعلمين، وجئنا معا جميع الباحثين للمشاركة في القمة منحة دراسية الدكتور جوجل السنوية، حيث يمكن أن تتعرض لأكثر تقدما غوغل مستمرة البحوث، وإتاحة الفرصة لإقامة اتصالات مع طلاب الدكتوراه الآخرين جوجل والباحثين من جميع أنحاء العالم. يمكنك عرض الفيديو: الشبكي: //youtu.be/7RcUokN_eCg.

خدمات المتدرب جوجل AI تكمل هذا البرنامج المنح الدراسية، وشكله، حتى أن الناس يريدون أن يتعلموا من الدراسة المتعمقة والبحث تنفق سنويا العمل مع الباحثين جوجل وتتلقى التوجيه. 2018 هي السنة الثالثة هذه الخدمة، موظفي غوغل في جميع أنحاء العالم وقد انضم فريق مختلف، في آلة التعلم والإدراك، والخوارزميات الأمثل، وفهم اللغة والبحوث في مجال الرعاية الصحية. المشروع حاليا في السنة الرابعة من تطبيق قد انتهت، ونحن نتطلع إلى رؤية الباحثين البحوث في 2019 سيتم تنفيذها.

كل عام، كما نقوم بتوفير الدعم لعدد من المشاريع البحثية أعضاء هيئة التدريس والطلاب برنامج المنح البحثية من خلال كلية جوجل لدينا. عام 2018، واصلنا أيضا الذي سيعقد في جوجل (جوجل) للموظفين والطلاب في مجالات محددة من الندوات، بما في ذلك مكاتب في بنغالور، الهند، من قبل المخابرات اصطناعية / آلة التعلم والتدريب العملي على حلقات عمل، عقدت الخوارزميات ومكاتب في زيوريخ ندوة التحسين، وتطبيقات الرعاية الصحية التعلم الآلي في ندوة عقدت ساني فيل في كامبريدج، عقد ندوة حول نزيهة وغير منحازة.

ونحن نعتقد أن مفتوحة للمساهمة في مجموعة واسعة من المجموعات البحثية هو جزء أساسي من ذلك، دعم بيئة بحثية صحية منتجة. وبالإضافة إلى المصادر المفتوحة ومجموعات البيانات المنشورة، فإن معظم الأبحاث لدينا هي متاحة للجمهور على مؤتمرات القمة والمجلات، ونحن أيضا تشارك بنشاط في مختلف المنظمات والمؤتمرات التي ترعاها مجموعة من التخصصات المختلفة. ونحن ماضون في ICLR 2018، NAACL 2018، ICML 2018، CVPR 2018، NEURIPS 2018، ECCV 2018 و EMNLP عام 2018. وفي الوقت نفسه، في 2018 كما تشارك جوجل على نطاق واسع في ASPLOS، HPCA، ICSE، IEEE الأمن والخصوصية، OSDI، SIGCOMM وغيرها من الاجتماعات.

أماكن جديدة، وجوه جديدة

عام 2018، ونحن سعداء لترحيب كثير من الناس جديد مع خلفيات مختلفة للانضمام مؤسساتنا البحثية. أعلنا عن إنشاء أول مختبر الذكاء الاصطناعي في أفريقيا، والذي يقع في عاصمة جمهورية غانا، أكرا. قمنا بتوسيع حجم مختبر الذكاء الاصطناعي في باريس وطوكيو وأمستردام، وفتحت برينستون مختبر للأبحاث. وسوف نستمر في تعيين موظفين في مكاتب في جميع أنحاء العالم، ويمكنك معرفة المزيد من المعلومات حول الانضمام إلينا.

توقعات 2019

يلخص هذا بلوق سوى جزء صغير من الدراسة التي أجريناها في عام 2018. إذ يشير إلى عام 2018، ونحن متحمسون وفخورون للاتساع وعمق إنجازاتنا. 2019، فإننا نتوقع لها تأثير أكبر على اتجاه ومنتجات Google، ولكن نتطلع أيضا أن يكون لها تأثير أكبر على البحث والهندسة أوسع!

عن طريق: الشبكي: //ai.googleblog.com/2019/01/looking-back-at-googles-research.html

شبكة لى فنغ