El equipo de ML Aplicada del que formo parte es el brazo de investigación aplicada de Facebook. Trabajamos en ML central, en visión por computadora, en fotografía computacional y en tecnologías del lenguaje. Trabajamos muy de cerca con Facebook AI Research (FAIR), que está impulsando el estado del arte en estas áreas, y somos complementarios en que nos centramos más en las aplicaciones. Me gustaría destacar un par de investigaciones recientes que encuentro muy emocionantes. De ninguna manera es una lista completa, y no lo estamos haciendo solos sino en colaboración con FAIR, el equipo de Core Data Science (CDS) y los muchos equipos de productos con los que nos asociamos.
En visión por computadora , tenemos un sistema que procesa cada imagen y video subidos a Facebook, totalizando más de 1B artículos por día. Predecimos el contenido de una imagen, por ejemplo, para generar subtítulos para ciegos, o para detectar y eliminar automáticamente contenido ofensivo, mejorar los resultados de búsqueda de medios, automatizar captcha visual, entre muchos otros casos de uso. Utilizamos redes convolucionales profundas con miles de millones de parámetros. Lo interesante de estos modelos es la generalización de las características. Recientemente, los equipos de Connectivity Lab y Core Data Science pudieron aprovechar esas características para crear mapas de densidad de población de alta resolución basados en imágenes satelitales (vea este video genial).
- ¿Qué hace que el análisis del discurso "crítico" sea diferente del DA estándar?
- ¿Existen implicaciones legales para resumir trabajos de investigación académica a través de blogs?
- ¿Se beneficiaría la investigación de un enfoque bursátil?
- ¿Hay algún grupo de investigación de PNL famoso en Francia, la universidad, el centro de investigación o incluso en la comany?
- ¿Me pueden ayudar con una investigación?
(esta es la imagen de portada del video sobre la estimación de densidad de población)
Hay muchos problemas de investigación interesantes que el equipo está abordando: modelos de visión universal que utilizan aprendizaje de tareas múltiples, aprendizaje de representación (enlace a papel), capacitación distribuida a gran escala usando SGD elástico, redes convolucionales espacio-tiempo para videos (enlace a papel), cascada de redes para modelos de visión más rápidos y mejores (enlace al papel), aprendiendo de videos (enlace al papel).
Si tiene curiosidad acerca de más detalles de nuestro trabajo en visión por computadora aplicada en Facebook, intente hacerle una pregunta a Quorara a Manohar Paluri.
En tecnología del lenguaje , una cosa que estamos tratando de hacer es eliminar las barreras del idioma en Facebook. Para hacer esto, servimos más de 2B traducciones de publicaciones todos los días, con más de 1800 direcciones de idiomas que representan más de 40 idiomas únicos. Solíamos depender de la traducción de Bing por un tiempo y hemos construido y desplegado nuestra propia tecnología. Y ahora estamos avanzando para evaluar el aprendizaje profundo para la traducción, con la esperanza de lograr más traducciones humanas usando redes neuronales. Puede hacerle a Alan Packer una pregunta de Quora si desea saber más acerca de lo que está sucediendo en nuestras investigaciones aplicadas sobre tecnologías del lenguaje y el trabajo de productos.
En el núcleo de ML , nos enfocamos en investigar y enviar algoritmos de ML / AI a gran escala y en tiempo real para algunas de las aplicaciones de ML más grandes del mundo. Cada vez que un usuario inicia sesión en Facebook, estos modelos se utilizan para clasificar las historias de noticias (1B usuarios todos los días, 1.5K historias por usuario por día en promedio), anuncios, resultados de búsqueda (1B + consultas al día), noticias de tendencias, recomendaciones de amigos y incluso clasifique las notificaciones que recibe un usuario, o clasifique los comentarios en una publicación. El equipo de Core ML también crea algoritmos de comprensión de texto de vanguardia utilizando el aprendizaje profundo. Estos algoritmos están integrados en la plataforma ML que hemos construido para facilitar y escalar ML desde la capacitación hasta la implementación del modelo. Esta plataforma es utilizada por todos los equipos que usan ML en la producción. Para tener una idea de cuán frecuente es ML en Facebook, un poco más del 20% de todos los ingenieros de Facebook (e incluso algunos no ingenieros) usan activamente la plataforma. Nuestra ola actual de investigación involucra modelos de aprendizaje profundo para la predicción de eventos, aprendizaje distribuido para modelado escaso y aprendizaje profundo, aprendizaje de representación para la comprensión del texto a través de redes convolucionales y recurrentes y compresión del modelo a través del aprendizaje multitarea. Si desea obtener más información sobre Core ML en Facebook, haga una pregunta a Hussein Mehanna.
