Top 64 Zitate und Sprüche von Jeff Dean

Gesundheitswesen – die Fähigkeit neuronaler Netze, viele Daten aufzunehmen und Vorhersagen zu treffen, eignet sich sehr gut für diesen Bereich und wird möglicherweise enorme gesellschaftliche Auswirkungen haben.

In maschinellen Lernsystemen gibt es eine Menge Arbeit, bei der es sich eigentlich nicht um maschinelles Lernen handelt.

Der Gesundheitsbereich ist aus verschiedenen Gründen sehr kompliziert: Er ist aus gutem Grund viel stärker reguliert als andere Branchen.

Wir wollen Systeme bauen, die sich auf eine neue Aufgabe verallgemeinern lassen. Es wird interessant und wichtig sein, Dinge mit viel weniger Daten und mit viel weniger Rechenaufwand erledigen zu können.

Sehr einfache Techniken funktionieren unglaublich gut, wenn Sie viele Daten haben.

Ich mochte schon immer Code, der schnell läuft.

Ich mache mir im Allgemeinen Sorgen über CO2-Emissionen und maschinelles Lernen.

Es ist wichtig, mit Regierungen auf der ganzen Welt darüber zu sprechen, wie sie über KI denken – um sie zu informieren.

Wir haben noch viel zu tun, um wirklich wichtige nützliche Fähigkeiten in die Hände der Menschen zu bringen – selbstfahrende Autos werden eine enorme Anzahl von Leben retten.

Als Gesellschaft denke ich, dass es uns viel besser gehen wird, wenn wir Maschinen haben, die mit Menschen zusammenarbeiten können, um Dinge effizienter und in manchen Fällen sogar besser zu erledigen. Das wird es Menschen ermöglichen, Dinge zu tun, die sie besser können als Maschinen.

Ich denke, eines der Dinge beim Reinforcement Learning ist, dass es tendenziell eine Erkundung erfordert. Daher ist die Verwendung im Kontext physischer Systeme etwas schwierig.

Ich denke, es gibt manchmal Probleme damit – egal, wo man eine Konferenz veranstaltet, es wird immer Einschränkungen geben. Studenten, die in den USA studieren, haben beispielsweise manchmal Schwierigkeiten, die USA zu verlassen, um zu einer Konferenz zu gehen. Wenn man es also außerhalb der USA an einem bestimmten Ort aufbewahrt, kann das manchmal zu Komplikationen führen.

Computer haben normalerweise kein Gespür dafür, ob Sie ein Bild von etwas haben, was sich in diesem Bild befindet. Und wenn wir gut verstehen können, was in einem Bild enthalten ist, kann das viele neue Dinge mit sich bringen, die Sie in Anwendungen tun können.

Es ist ziemlich klar, dass maschinelles Lernen einen großen Teil der Wissenschaft und Technik ausmachen wird.

Überwachtes Lernen funktioniert so gut, wenn man über den richtigen Datensatz verfügt, aber letztendlich wird unüberwachtes Lernen eine wirklich wichtige Komponente beim Aufbau wirklich intelligenter Systeme sein – wenn man sich ansieht, wie Menschen lernen, ist es fast völlig unüberwacht.

Da Geräte immer kleiner werden und Spracherkennung und andere Arten alternativer Benutzeroberflächen immer praktischer werden, wird sich die Art und Weise verändern, wie wir mit Computergeräten interagieren. Sie treten möglicherweise in den Hintergrund und sind einfach da, sodass wir mit ihnen sprechen können, genau wie mit einem anderen vertrauenswürdigen Begleiter.

Die Leute in meiner Organisation äußerten sich sehr offen darüber, was wir mit dem Verteidigungsministerium tun sollten. Eine davon ist die Arbeit an autonomen Waffen. Für mich ist das etwas, woran ich nicht arbeiten möchte und womit ich nichts zu tun haben möchte.

Ich mache mir Sorgen, dass die politischen Entscheidungsträger dem, was wir für die nächsten zehn Jahre planen sollten, nicht genügend Aufmerksamkeit schenken. Im Allgemeinen sind Regierungen bei schwierigen Themen nicht unbedingt gut darin, in die Zukunft zu schauen.

Eines ist meiner Meinung nach richtig: Man hat jemanden, der in einem oder mehreren Bereichen wirklich gut ist und sich ziemlich schnell etwas Neues aneignen kann. Das ist sozusagen ein Markenzeichen von jemandem, den man wirklich einstellen möchte, weil er in einem sehr nützlich sein kann eine ganze Reihe unterschiedlicher Bereiche.

Ich denke, was Cloud-Kunden wirklich interessiert, ist die Frage, ob sie ihr Problem mit den Cloud-Produkten eines bestimmten Anbieters lösen können.

In den Google-Rechenzentren ist unser Energieverbrauch das ganze Jahr über für unseren gesamten Computerbedarf zu 100 Prozent erneuerbar.

Maschinelles Lernen ist eine neue Art der Problemlösung.

Ich denke, Robotik ist ein wirklich schwieriges Problem – Roboter zu bauen, die in willkürlichen Umgebungen agieren, wie einem großen Konferenzraum mit Stühlen und so.

KI kann dabei helfen, einige der schwierigsten sozialen und ökologischen Herausforderungen in Bereichen wie Gesundheitswesen, Katastrophenvorhersage, Umweltschutz, Landwirtschaft oder Kulturschutz zu lösen.

Ich glaube schon, dass es in der Community ein bisschen zu viel Wert darauf gibt, bei bestimmten Problemen etwas bessere Ergebnisse auf dem neuesten Stand der Technik zu erzielen, und völlig unterschiedliche Herangehensweisen an diese Probleme ein wenig unterschätzt werden Vielleicht solltest du dich nicht auf den neuesten Stand der Technik begeben, denn es ist wirklich sehr schwierig und ein ziemlich erforschtes Gebiet.

Unter Reinforcement Learning versteht man die Idee, allen Handlungen, die Sie unterwegs ergriffen haben, während Sie das Belohnungssignal erhielten, Anerkennung oder Schuld zuzuordnen.

Um zu argumentieren, benötigen Sie ein Netzwerk, das Wissen aus verschiedenen Bereichen wie Mathematik, Naturwissenschaften und Philosophie einbringen kann, um vernünftige Schlussfolgerungen zu den Aufgaben zu ziehen.

Ich verbringe ziemlich viel Zeit damit, E-Mails zu bearbeiten, meistens lösche ich sie oder überfliege sie, um ein Gefühl dafür zu bekommen, was los ist.

Ich denke, echte künstliche allgemeine Intelligenz wäre ein System, das in der Lage ist, komplizierte Aufgaben auf menschlicher Ebene zu denken, zu verstehen und zu erledigen.

Ich arbeite gerne in kleinen Teams, in denen die Leute im Team ganz andere Fähigkeiten haben als ich, und dieses Hin und Her, und die Fähigkeit, gemeinsam etwas aufzubauen, was keiner von euch einzeln schaffen könnte, ist tatsächlich eine wirklich nützliche und wertvolle Sache.

Sie müssen jemanden finden, mit dem Sie eine Paarprogrammierung durchführen und der mit Ihrer Denkweise kompatibel ist, sodass Sie beide zusammen eine komplementäre Kraft bilden.

In vielen dieser Bereiche, von der maschinellen Übersetzung bis zur Suchqualität, versuchen Sie immer, die rechnerischen Möglichkeiten bei jeder Abfrage auszubalancieren.

Was mir wirklich Spaß macht, ist, interessante Probleme zu finden und gemeinsam mit Kollegen herauszufinden, wie wir sie lösen können.

Wir trainieren Google Street View, um Straßennummern zu erkennen.

Manche Dinge lassen sich leichter parallelisieren als andere. Es ist ziemlich einfach, 100 Modelle zu trainieren und das beste auszuwählen. Wenn Sie ein großes Modell trainieren möchten, dies aber auf Hunderten von Maschinen tun, ist die Parallelisierung viel schwieriger.

Es gibt nichts Besseres als die Notwendigkeit, etwas tun zu müssen, um Abstraktionen zu entwickeln, die einem dabei helfen, die Formen zu durchbrechen.

Ein Großteil des menschlichen Lernens entsteht durch unbeaufsichtigtes Lernen, bei dem man einfach nur die Welt um sich herum beobachtet und versteht, wie sich die Dinge verhalten.

Wenn Sie eine Menge Daten durch ein winziges Netzwerk, etwa 20 Neuronen, leiten, wird es tun, was es kann, aber es wird nicht sehr gut sein.

Wir haben auf der Welt viel mehr unbeaufsichtigte Daten als überwachte Daten.

Traditionell waren Computer nicht so gut darin, mit Menschen auf eine Art und Weise zu interagieren, mit der sie sich natürlich fühlen.

Auf jeden Fall wird maschinelles Lernen zunehmend in allen Google-Produkten eingesetzt, sowohl bei rechenzentrumsbasierten Diensten als auch bei weitaus mehr unserer Produkte, die auf dem Gerät des Telefons ausgeführt werden.

Manche Menschen arbeiten gerne jahrelang in einem bestimmten Bereich oder einem bestimmten Bereich der Informatik. Ich persönlich ziehe gerne alle paar Jahre um, um neue Bereiche kennenzulernen.

Ich neige dazu, sehr ungeduldig zu sein und darüber nachzudenken, wie wir etwas tun können. Mein Verstand und meine Hände drehen sich sehr schnell.

Im Gesundheitswesen gibt es viele interessante Probleme des maschinellen Lernens – ambulante Ergebnisse oder wenn Sie Röntgenbilder haben und Dinge vorhersagen möchten.

Tiefe neuronale Netze sind für einige der größten Fortschritte in der modernen Informatik verantwortlich.

Ich halte multimodale Modelle für ziemlich interessant. Kann man zum Beispiel Text mit Bildern, Audio oder Video auf interessante Weise kombinieren?

Vision wird meiner Meinung nach ein wichtiger Input sein. Wenn Sie beispielsweise Google Glass verwenden, können Sie sich umsehen und den gesamten Text auf Schildern lesen, im Hintergrund nach zusätzlichen Informationen suchen und diese bereitstellen. Das wird ziemlich spannend.

Eines der Dinge, die mich an der Arbeit für Google inspirieren, ist, dass wir, wenn wir hier ein Problem lösen, dafür sorgen können, dass es von einer Million oder sogar einer Milliarde Menschen genutzt wird. Das ist als Informatiker sehr motivierend.

Als wir mit der Entwicklung von TensorFlow begannen, haben wir uns selbst angeschaut und gesagt: „Hey, vielleicht sollten wir das als Open Source veröffentlichen.“

Ich denke, das ist eines der Hauptziele bei der Weiterentwicklung des maschinellen Lernens: Computer sollen die Weisheit liefern, die ein menschlicher Begleiter geben könnte, indem er Ratschläge gibt, bei Bedarf nach weiteren Informationen sucht und solche Dinge.

Es wäre großartig, wenn jeder Ingenieur zumindest über gewisse Kenntnisse im Bereich maschinelles Lernen verfügen würde.

Die Spracherkennung ist jetzt gut genug, dass ich E-Mails auf meinem Telefon diktiere, anstatt sie einzutippen. Sie ist nicht perfekt, aber gut genug, dass sie die Art und Weise verändert, wie ich mit meinem Telefon interagiere.

Wir arbeiten gerne mit Militär- oder anderen Regierungsbehörden auf eine Weise zusammen, die unseren Grundsätzen entspricht. Wenn wir also dazu beitragen wollen, die Sicherheit des Personals der Küstenwache zu verbessern, würden wir gerne daran arbeiten.

Es ist schön, kurz- bis mittelfristige Dinge zu haben, die wir anwenden und echte Veränderungen in unseren Produkten sehen können, aber auch längerfristige Ziele für fünf bis zehn Jahre, auf die wir hinarbeiten.

Zuvor nutzten wir maschinelles Lernen möglicherweise in einigen Unterkomponenten eines Systems. Jetzt verwenden wir maschinelles Lernen tatsächlich, um ganze Systemsätze zu ersetzen, anstatt zu versuchen, für jedes einzelne Teil ein besseres maschinelles Lernmodell zu erstellen.

Die Idee hinter dem verstärkenden Lernen ist, dass Sie nicht unbedingt wissen, welche Maßnahmen Sie ergreifen könnten. Sie erkunden also die Reihenfolge der Maßnahmen, die Sie ergreifen sollten, indem Sie eine Ihrer Meinung nach gute Idee auswählen und dann beobachten, wie die Welt reagiert. Wie bei einem Brettspiel, bei dem Sie auf das Spiel Ihres Gegners reagieren können.

Microsoft ist in vielen der gleichen Geschäftsbereiche tätig wie Google.

Das Verstehen der Sprache ist für viele Google-Produkte wie Gmail von zentraler Bedeutung.

Wenn Sie nur 10 Beispiele für etwas haben, wird es schwierig, Deep Learning zum Erfolg zu führen. Wenn Sie 100.000 Dinge haben, die Ihnen am Herzen liegen, Aufzeichnungen oder was auch immer, ist das die Größenordnung, bei der Sie wirklich anfangen sollten, über diese Art von Techniken nachzudenken.

Deep Learning ist eine wirklich wirkungsvolle Metapher für das Lernen über die Welt.