کارسون Holgate، بیست وشش ساله دارنده کمربند درجه دو تکواندو، چالشی دشوار را پیشرو دارد. او قصد دارد بمدت چند هفته در برنامه ای شرکت کند که وی را در تمرینی قدرتمند تر از مبارزه ی بدنی: یادگیری ماشینی یا ML ارزیابی میکند. او بعنوان یکی از مهندسین گوگل در برنامه ی یادگیری ماشینی نینجا بعنوان یکی از هجده برنامه نویس شرکت کرده است. هدف از اجرای این برنامه انتخاب کدنویسان با استعداد برای شرکت در Ender's Game است تا به منظور هوشمندتر کردن تولیدات خود، تکنیک های هوش مصنوعی به آنها آموزش داده شود، حتی اگر به قیمت دشوارتر شدن شناخت نرم افزارهایی که خلق میکنند تمام شود.
طبق گفته ی Christine Robson این تگ لاین، " آیا می خواهید یک نینجای یادگیری ماشینی باشید؟" نام دارد. برای اجرای این برنامه از کارکنان قسمت های مختلف گوگل برای شرکت در یک دوره ی شش ماهه تیم یادگیری ماشینی دعوت شد. شرکت کنندگان می بایست در کنار مربی خود بمدت شش ماه روی یادگیری ماشینی کار کرده، چندین پروژه را به انجام رسانده انرا به بازار ارائه کرده و چیزهای بسیاری بیاموزند.
برای Holgate که با مدرک کامپیوتر و ریاضی، همکاری خود با گوگل را تقریبا چهارسال پیش آغاز کرده بود شرکت در این برنامه فرصتی بود تا با استفاده از الگوریتم های یادگیری، دانش خود در زمینه ی نرم افزار را ارتقا دهد. برای سال های متمادی یادگیری ماشینی رشته ای مختص تعداد محدودی از نخبگان بود. این دوران دیگر به سر آمده است، نتایج اخیرحاکی از آن است که یادگیری ماشینی که توسط مدل ریاضی "neural nets" طراحی شده تقلیدی است از شیوه ی عملکرد مغز بیولوژیکی بعبارت دیگر یادگیری ماشینی مسیری است بسوی القا کردن نیروهای انسانی و در برخی مواقع نیروهای مافوق بشری به کامپیوترها. کمپانی گوگل خود را ملزم می داند این افراد برجسته و ممتاز را در دورن قلمروی خود توسعه دهد با این امید که آنرا تبدیل به یک هنجار کند. برای مهندسینی همچون Holgate برنامه ی نینجا فرصتی برای پیشرفت و یادگیری بهترین هاست. به گفته ی وی "این افراد دکترای حرفه ای دارند و مدل های مضحکی می سازند". او در برنامه ای حضور دارد که دانش آموختگان آنرا "نینجا" می نامند. او می گوید " درابتدا پذیرفتن این اسم آسان نبود اما رفته رفته آنرا پذیرفتم".
با توجه به تعداد زیاد کارکنان گوگل که حدودا نیمی از شصت هزار کارکنان آنرا مهندسین تشکیل میدهند این پروژه بسیار کوچک می نماید. اما این برنامه نمادی است از تغییری شناختی در کمپانی. هرچند یادگیری ماشینی مدت ها جزیی از تکنولوژی بوده است و گوگل در زمینه ی استخدام کارشناسان آن پیشتاز بوده اما سال 2016 این برنامه به دغدغه ای برای گوگل مبدل شد. رویکرد کمپانی به گفته ی Sundar Pichai: یادگیری ماشینی شیوه ای متحول کننده است که بواسطه ی آن در نحوه انجام همه چیز تجدید نظر می کنیم. ما قصد داریم تا متفکرانه آنرا در تمام محصولاتمان اعمال کنیم. بزودی شاهد خواهید بود که ما یادگیری ماشینی را در تمام حوزه ها از جمله یوتیوب و غیره آنهم به شیوه ای سیستماتیک بکار خواهیم بست.
آشکار است اگر گوگل قصد داشته باشد از یادگیری ماشینی در تمام تولیدات خود استفاده کند به مهندسینی احتیاج دارد که در این تکنیک تبحر داشته و به شیوه های قدیمی کد نویسی پایبند نباشند. به اعتقاد Pedro Domingson، یادگیری ماشینی علمی نوین است، یک فناوری که خود را میسازد. نوشتن چنین سیستم هایی نیازمند تشخیص دیتای صحیح، انتخاب رویکرد الگوریتمیک مناسب و اطمینان از مهیا کردن شرایط مناسب برای موفقیت است. برای کد نویسان دشوار است که به سیستم ها برای انجام کاری اعتماد کنند.
به گفته ی Jeff Dean هرچه تعداد کسانیکه برای حل مشکلات به این شیوه می اندیشند بیشتر شود بهتر خواهد شد. طبق برآوردهای وی از 25000 مهندس مشغول به کار در گوگل تنها چند صد نفر از آنها در یادگیری ماشینی تخصص دارند. بعبارت دیگر تنها ده درصد از آنها. به گفته وی اگر تمام مهندسین این کمپانی اندک دانشی از یادگیری ماشینی داشته باشند عالی میشود.
سالهاست که John Giannadrea مروج اصلی یادگیری ماشینی گوگل بوده است و اکنون رییس قسمت تحقیقات شده است. سال 2010 هنگامیکه برای نخستین به گوگل قدم گذاشت تجربه زیادی در زمینه یادگیری ماشینی یا neural nets نداشت. سال 2011 با اخباری که از کنفراسی موسوم به Neural Information Processing System رسیده بود شوکه شد. هرساله در این کنفرانس تیم ها یا افراد شرکت کننده نتایج بدست آمده از استفاده از یادگیری ماشینی را اعلام میکنند که تلاش های پیشین در حل مشکلات با استفاده از این تکنولوژی را زیرو رو میکند. وی اذعان میکند: " هنگامیکه برای نخستین بار این کنفرانس را دیدم برایم مبهم بود اما در سه سال گذشته این مقوله در محیط های آکادمیک و صنعتی رشد چشمگیری داشته است بطوریکه سال گذشته شش هزار نفر در این کنفرانس شرکت داشتند."

الگوریتم های پیشرفته ی neural net همراه با محاسبات قدرتمند از قانون مور و افزایش داده های بدست آمده از رفتار تعداد بیشماری از کاربران در کمپانی هایی همچون گوگل و فیسبوک سرآغاز عصر جدیدی از یادگیری ماشینی را رقم زده اند.
توجه زیاد گوگل به یادگیری ماشینی صرفا موجب تغییر در تکنیک برنامه ریزی نشده است. بلکه تکنیک هایی را بوجود می آورد که قدرت هایی غیرقابل دسترس به کامپیوترها میدهند. مقدمه ی این تکنیک ها الگوریتم های "یادگیری عمیق" (deep learning) هستند که از طریق معماری مغز حول neural nets پیشرفته ساخته شده اند. گوگل Brain حاصل "یادگیری عمیق" است. در سال 2014 هوش مصنوعی کمپانی گوگل، Deep Mind به قیمت پانصد میلیون دلار خریداری شد. سیستم Alpha Go توسط Deep Mind ساخته شده است. این سیستم، کمپین Go را شکست داده، انتظاراتی که از عملکرد ماشین هوشمند میرفت را درهم شکسته و درمیان کسانیکه از ماشین های هوشمند هراس داشتند و کسانیکه خواهان نابودی ربات ها هستند موجی از نگرانی ایجاد کرده است.
طبق ادعای Giannandrea، سیستم های یادگیری ماشینی همه چیز از تشخیص های پزشکی گرفته تا رانندگی را متحول میکنند. البته این سیستم ها جایگزین انسان نخواهند شد اما قادرند بشریت را تغییر دهند.
یک نمونه از نمایش قدرت یادگیری ماشینی را می توان در Google Photos مشاهده کرد. یکی از ویژگی های واضح Google Photos، امکان تعیین محل تصویری خاص توسط کاربران است. به گفته ی Giannandrea: "هنگامیکه مردم برای اولین با این ویژگی را می بینند می پندارند چیزی متفاوت رخ داده است زیرا این بار کامپیوتر توصیه یا پیشنهادی برای شما ندارد. او توضیح میدهد که کامپیوتر از طریق پروسه ی یادگیری نژاد سگ collie را تشخیص میدهد و می تواند عکس های این سگ را از زمان تولد تا پیری، هنگامیکه موهای بلندی دارد یا هنگامیکه موهای کوتاهی دارد پیدا کند. البته انسان نیز قادر به انجام چنین کاری می باشد. اما هیچ انسانی نمی تواند از میان میلیون ها نمونه و بطور همزمان ده هزار نژاد سگ را تشخیص بدهد. اما یک سیستم یادگیری ماشینی می تواند. اگر این سیستم یک نژاد را بشناسد می تواند از همین تکنیک برای تشخیص مابقی 9999 نژاد دیگر استفاده کند.
برای اطمینان از شناخت مفاهیم یادگیری ماشینی در گوگل بنیانگذاران این کمپانی به قدرت هوش مصنوعی عمیقا اعتقاد دارند. یادگیری ماشینی چندیست که به تولیدات گوگل اضافه شده است اگرچه بیشتر تولیدات اخیر حول neural nets متمرکز نشده اند. تولیدات اخیر بیشتر بر رویکردهای آماری تکیه دارند.
درحقیقت بیش از یک دهه است که کمپانی گوگل برای آموزش یادگیری ماشینی به مهندسین خود دوره های دورن شرکتی برگزار میکند. با تمام این تلاش ها یادگیری ماشینی به بخش بزرگی از جستجوی صوتی، ترجمه و عکس ها تبدیل شده است. با برگزاری این دوره ها و سایر تلاش های صورت گرفته شناخت یادگیری ماشینی بیشتر شده و بهره برداری از آن به شیوه های جاه طلبانه افزایش یافته است. در گذشته از یادگیری ماشینی تنها در زیر کامپوننت های یک سیستم استفاده میشد اما امروزه جایگزین کل مجموعه یک سیستم میشود. به گفته ی Dean، اگر بنا بود که در نوشتن زیربنای کمپانی گوگل تجدید نظر کنیم بیشتر آن آموخته میشد نه اینکه کد گذاری شود.
یادگیری ماشینی فیچرهایی از محصولات را که پیشتر غیرقابل تصور بودند را ممکن میسازد. بعنوان مثال می توان به Smart reply یا پاسخ هوشمندانه در جی میل اشاره کرد که در نوامبر 2015 عرضه شد. به اعتقاد Corrado، یادگیری ماشینی به همان اندازه که مقوله ای علمی است هنر نیز در آن دخالت دارد. بعبارت دیگر می توان گفت که نوعی آشپزی است که شیمی در آن دخالت داردبطوریکه برای انجام کاری شگفت انگیز باید نحوه ی ترکیب مواد اولیه که در دسترس دارید را بیاموزید.
متدهای قدیمی شناخت زبان بر قوانین تعبیه شده ی زبان درون سیستم وابسته است اما در سیستم های مدرن یادگیری ماشینی سیستم با دیتای کافی تغذیه شده و درست مانند یک بچه خودش قادر به یادگیری است.
فیچر Smart Reply هنگامیکه در مرحله ی تست بود کاربران به نکته ای عجیب پی بردند. درواقع این فیچر پاسخ هایی رمانتیک و نامناسب را به کاربران پیشنهاد میداد. به گفته ی Corrado یکی از نقاط ضعف این فیچر گرایش هیستریایی آن بود بطوریکه هرگاه از لحاظ احساسی سردرگم میشد میگفت "I love you". این پاسخ، باگ نرم افزاری نبود بلکه خطایی بود که در درخواستی که کاربران ازآن داشتند رخ میداد. این برنامه نوعی جنبه ی ظریف از رفتار انسانی را آموخته بود: " هنگامیکه در یک موقعیت سخت قرار می گیرید بهترین استراتژی دفاعی گفتن دوستت دارم است".

نوامبر گذشته این برنامه در اختیار کاربران جی میل قرارگرفت. کاربران این اپلیکیشن می توانند برای پاسخ سریع به ایمیل های خود از میان سه گزینه ای که در اختیار دارند یک گزینه را انتخاب کنند. از میان پاسخ های فرستاده شده توسط کاربران موبایل Inbox از هر ده پاسخ یکی از آنها توسط سیستم یادگیری ماشینی ساخته شده است.
پاسخ هوشمندانه، تنها دیتا پوینتی در نمودار متراکم از نمونه هایی است که تاثیرگذاری یادگیری ماشینی در گوگل را اثبات کرده است. اما نقطه ی تحول جایی خواهد بود که یادگیری ماشینی به قسمت تامه ی تحقیقات، تولیدات گوگل و تمام بازده این کمپانی مبدل شود. البته تحقیقات بنوعی و تا حدودی برپایه ی هوش مصنوعی انجام میشود. اما برای سال ها الگوریتم های گوگل که زمانی بعنوان " ده لینک آبی" شناخته میشدند برای الگوریتم های یادگیری ML بسیار مهم بودند. به گفته ی Giannandrea: "از آنجاییکه تحقیقات بخش بزرگی از کمپانی گوگل محسوب میشوند رتبه بندی(ranking) رشد بسیار زیادی یافت و انتقادهای بسیاری برای ایجاد تغییرات شگرف وجود داشت."
اوایل 2014 بود که کارشناسان یادگیری ماشینی در کمپانی گوگل تصمیم به تغییر در سیستم رتبه بندی گرفتند. به گفته Dean آنها به همراه تیم رتبه بندی جلسات زیادی برگزار کردند. بدین ترتیب آنها مستندات موجود در رتبه بندی را با نظرسنجی مطابقت دادند و تلاش کردند تا از طریق neural net به امتیازی اضافی دست یابند. سپس مفید بودن یا نبودن آنرا بررسی کردند.
خوشبختانه این امتیاز اضافی مفید بوده و اکنون این سیستم با عنوان Rank Brain قسمتی از تحقیقات محسوب میشود که در آوریل 2015 آنلاین شد. به گفته ی Dean، درحال حاضر Rank Brain در تمام نظر سنجی ها استفاده شده و بررتبه بندی تاثیر میگذارد البته نه تمام نظرسنجی اما در بیشتر آنها استفاده میشود و رتبه ی سوم مفیدترین سیستم را به خود اختصاص داده است.
به گفته ی Giannandrea موفقیت ما در بهتر کردن جستجو از طریق یادگیری ماشینی برای کمپانی بسیار ارزشمند بود بطوریکه توجه افراد بسیاری را جلب کرد.
چالش جدید گوگل، کارمندان مهندس این کمپانی را تغییر داده و موجب شده تا همگی آنها با یادگیری ماشینی آشنا شوند. بسیاری از کمپانی های دیگر همچون فیسبوک نیز شیفته ی یادیگری ماشینی و یادگیری عمیق هستند و قصد دارند به این هدف دست یابند. رقابت بر سر استخدام فارغ التحصیلان این رشته شدت گرفته و گوگل مصمم است که همچنان رتبه اول را به خود اختصاص دهد. در میان دانشگاهیان سال ها این جوک شنیده میشد که گوگل دانشجویان را استخدام میکند حتی اگر به آنها نیازنداشته باشد تا آنها وارد رقابت نشوند.
باتوجه به تعداد معدود فارغ التحصیلان دانشگاه از رشته ML آموزش دوباره ی کارکنان ضرورت دارد. آموش دوباره ی کارکنان کار آسانی نیست بویژه در کمپانی مانند گوگل که مهندسین آن تمام عمر خود را صرف کدنویسی سنتی کرده اند.
یادگیری ماشینی ذهنیتی متفاوت را می طلبد. کدنویسان ماهراغلب درنوعی از کنترل موفق عمل میکنند که یک فرد از طریق برنامه ریزی یک سیستم بدان دست می یابد. اما یادگیری ماشینی مستلزم یادگیری نوعی خاصی از ریاضی و آمار است که بسیاری از کدنویسان حتی هکرهای قهار نیز زحمت یادگیری آنرا بخود نمی دهند.
به اعتقاد Robson یادگیری ماشینی تا حدودی صبر و حوصله نیز نیاز دارد. مدل یادگیری ماشینی تکه ای ثابت از کدنویسی نیست بلکه باید دائما با دیتا تغذیه شود. ما دائما در حال بروزرسانی مدل ها و افزودن دیتای بیشتر به آنها هستیم. درست مانند موجودی که زنده است و نفس میکشد. یادگیری ماشینی نوع متفاوتی از مهندسی است.
بخشی ازآن که با علم کامپیوتر مرتبط است کاملا حذف نشده اما بیشتر تمرکز متوجه ریاضیات و آمار است و دیگر نیازی به نوشتن میلیون ها خط کد نیست.
گوگل برای کمک به مهندسین خود ابزارهای قدرتمندی ساخته است که آنها را در انتخاب درست مدل هایی که استفاده میکنند یاری می رساند. قدرتمند ترین این ابزارها TensorFlow نام دارد، سیستمی که پروسه ی ساختن neural netرا آسان و سریع میکند. تلاش ها و برنامه های گوگل همچنان ادامه دارد.
تکنیک های هوش مصنوعی حال و آینده گوگل و شاید کل فناوری هستند، و یا شاید همه چیز.