Facebook启动了AI构建更多AI的趋势，并且只会加速。
正在接管互联网。DNN与他们更基本的模式匹配机器学习堂兄不同，Coutins能够通过分析大量数字数据来学习和复制人类的任务，而这些人工智能的系统正在以过去几年的能力向在线服务注入在线服务。
他们正在识别照片中的面孔，为搜索提供动力，从视频中汲取含义，将含义应用于语言，并将复杂的对话从一种语言转换为另一种语言。我们知道所有这一切。但是，不太讨论的是互联网巨头如何构建这些相当出色的AI引擎。
像Google和Facebook这样的公司为一些真正聪明的人付出了最高的薪水 - 地球上只有几百个灵魂拥有才华横溢的人才和培训所需的培训，真正推动了深度学习和为这些顶级思想支付的界限，就像为NFL四分卫付费，但更昂贵 - 据报道，Google以6亿美元的价格购买了它的技术，而不是为IT Twelve In Twelve twelve of Twelve of Twelve of Twelve of Twelve of Twelve of Twelve of Twelve of Twelve the of Teck fort。一笔6亿美元的收购租赁人士设法使世界十二位深度学习专家一口气，缺乏专业知识已成为一种瓶颈，威胁要扼杀人工智能的进步。这不是唯一的。
即使是顶尖的研究人员也无法在没有大规模的反复试验的情况下建立这些服务。为了建立一个深层的神经网络，研究人员首先必须尝试无效的无效选项，并将每个选项运行到几十台机器和数百台机器上。
“这几乎就像是教练，而不是球员，” DeepMind的联合创始人Demis Hassabis说，Google击败了世界上最好的GO球员的历史制作AI背后的Google服装。
“您正在哄骗这些事情，而不是直接告诉他们该怎么做。”
这些瓶颈就是为什么像Google和Facebook这样的公司正在尝试自动化此试验和错误，或者至少是其中的一部分。随着思想的发展，如果您自动化一些重大的举重，则可以更快地将最新的机器学习推向等级和文件工程师的手中，并且可以给顶级思想更多的时间专注于更大的想法和更严重的问题。反过来，这将加速我们每天使用的Internet应用程序和服务中的AI进度。
换句话说，要使计算机更快地获得更智能的速度，计算机本身必须处理更多的咕unt作品。Internet的巨头正在构建计算系统，可以代表其工程师测试无数的机器学习算法，可以自己循环循环很多可能性。更好的是，这些公司正在构建可以帮助构建AI算法的AI算法。不开玩笑。在Facebook内部，工程师设计了他们喜欢的东西，称为“自动化机器学习工程师”，这是一种人为智能的系统，有助于创建人为智能的系统。距离完美还有很长的路要走。但是，目的是使用尽可能少的人类咕unt工作来创建新的AI模型。
在Facebook在2012年进行了1000亿美元IPO之后，Hussein Mehanna和Facebook Ads团队的其他工程师感到增加了改善公司广告的目标的压力，使使用其社交网络的数亿人与数亿人的广告相匹配。这意味着要构建DNN和其他机器学习算法，这些算法可以更好地利用Facebook收集的大量数据收集了数亿人的特征和行为。
根据Mehanna的说法，Facebook工程师对新AI产生想法没有问题，但是测试这些想法是另一回事。因此，他和他的团队建立了一个名为“ Flow”的工具。
“我们想建立一条机器学习的装配线，所有工程师在Facebook都可以使用，” Mehanna说。
流程旨在帮助工程师大规模构建，测试和执行机器学习算法，这实际上包括任何形式的机器学习。这个想法是，组装线可以轻松地测试整个公司庞大的计算机数据中心网络中无尽的想法流。他们可以运行各种算法的可能性，不仅涉及深度学习，还涉及其他形式的AI，包括逻辑回归以提高决策树，结果可能会提供更多的想法。
“您尝试的想法越多，越好，” Mehanna说，“您尝试的数据越多，越好。”这也意味着工程师可以很容易地重用其他人构建的算法，调整这些算法并将其应用于其他任务。
很快，Mehanna和他的团队扩大了整个公司使用的流程。在其他团队内部，它有助于产生算法，这些算法可以为您的faceboook新闻源选择链接，识别社交网络上发布的照片中的面孔，并为照片制作音频字幕，以帮助盲人了解其中的内容。Flow甚至帮助Facebook的项目Aquila绘制了无互联网访问的地球区域，然后优化了其无人机的飞行路径。
每月有30万个机器学习模型，虽然他们每60天左右都可以推出一个新的AI型号，但他们现在每周都可以发布几个新型号。
这个想法也在抓住。去年，Twitter获得了一家专门在同一领域的创业公司Whetlab，最近，微软描述了其研究人员如何使用“相似”系统来测试可能将其称为“人为辅助搜索”的可能的AI模型。
但是，像许多研究人员一样，梅汉纳（Mehanna）希望更加加速事情，公司计划最终与FastText和Torchnet一起开放量，与整个世界共享它，根据Mehanna的说法，linkedIn，Uber和Twitter等服装已经对使用它感兴趣。Mehanna和Team还建立了一个名为Automl的工具，该工具可以消除人类工程师的更多负担。AutoML可以自动“清洁”训练神经网络和其他机器学习算法所需的数据 - 准备它以进行测试而无需任何人类干预 - 并且Mehanna设想了一个甚至可以自行收集数据的版本。但更有趣的是，Automl使用人工智能来帮助建立人工智能。
正如Mehana所说，Facebook每月训练和测试约300,000个机器学习模型。然后，Automl可以使用这些测试的结果来训练另一个可以优化其他机器学习模型培训的机器学习模型。而且有效。该系统可以自动选择可能起作用的算法和参数。
梅汉娜说：“它几乎可以在培训前预测结果。”
在Facebook广告中，团队工程师甚至建立了自动化的机器学习工程师，称为Asimo，这也已扩展到公司其他成员。根据Facebook的说法，在某些情况下，它可以自动生成现有模型的增强和改进的化身，然后，人工工程师可以立即部署到网络。
梅汉娜说：“它还不能发明新的AI算法，但是谁知道，在路上……”
这是一个有趣的想法，几十年来吸引了科幻作家 - 智能机器可以建造更聪明的机器。
