AML團隊總是在找尋機會，將神經(jīng)網(wǎng)絡的強大功能融入不同的團隊，幫助他們在Facebook層面創(chuàng)造獨特的產(chǎn)品功能。AML知覺團隊主工程師Tommer Leyvand說：“我們正在使用機器學習技術構建自己的核心競爭力，滿足用戶的需求。”（FYI，他也是從微軟跳槽來的?。?/p>
（Facebook技術產(chǎn)品經(jīng)理Rita Aquino，雷鋒網(wǎng)(公眾號：雷鋒網(wǎng))注）
最近新出的一個叫做“社交推薦”的功能也是一個很好的例子。大約一年前，一個AML的工程師和Facebook分享團隊的一個產(chǎn)品經(jīng)理談到了公司可以介入的一個場景：當人們詢問朋友有什么可以推薦的當?shù)夭蛷d的時候。“那么Facebook可以怎樣把推薦的信息展示給用戶呢？“Rita Aquino說道。分享團隊一開始使用詞匯匹配的方式回應推薦指令。但是Aquino說：“當每天有數(shù)十億的推送時，精確和升級的要求就不是必須的了。” 通過對神經(jīng)網(wǎng)絡的訓練和使用真實數(shù)據(jù)對模型的測試，他們已經(jīng)可以探查非常細微的語言區(qū)別，準確地探查到哪個用戶正在詢問某地區(qū)內(nèi)的餐廳或商場，進而觸發(fā)一個指令，將相關的鏈接展示在用戶的News Feed上。接著當某人提供了一個推薦時，機器學習會在用戶的News Feed上顯示出餐廳或商場的地理位置。
Aquino說，她在Facebook的一年半時間里，見證了人工智能從產(chǎn)品中的邊緣成分變成了產(chǎn)品概念產(chǎn)生的來源。她說：“人們期望與他們交互的產(chǎn)品能夠更加智能。而團隊在創(chuàng)造產(chǎn)品的時候，并不需要成為一個機器學習專家。” 在處理自然語言的例子中，AML建立了個一個叫做 “Deep Text” 的系統(tǒng)，讓其他團隊可以輕松訪問，用機器學習輔助Facebook每日使用超過40億次的翻譯功能的實現(xiàn)。
對于圖像和視頻，AML團隊建立了一個叫做“Lumos”的機器學習視覺平臺。平臺起初是由Manohar Paluri創(chuàng)建的，后來FAIR的一個實習生在此基礎上設計了一個大型機器學習視覺系統(tǒng)，他稱之為Facebook的“視覺皮質”，一種處理和理解Facebook上所有圖像和視頻的方法。在2014年的編程馬拉松上，Paluri和同事Nikhil Johir在一天半時間里創(chuàng)建了一個產(chǎn)品原型，并向扎克伯格和Facebook首席運營官Sheryl Sandberg展示了結果。在Candela開始組建AML團隊的時候，Paluri 也加入進來（他同時在AML 和FAIR 任職），領導計算機視覺團隊，完善Lumos 平臺，幫助Facebook 的工程師（包括Instagram、Messenger、WhatsApp 和Oculus）使用視覺處理方法。Paluri 說：“在Lumos 上，公司里的每個人都可以使用神經(jīng)網(wǎng)絡的各種功能來構建自己的模型方案。這樣除了AML 團隊，公司內(nèi)的其他人都可以修正、訓練、推動系統(tǒng)的發(fā)展。“
Paluri 給我做了一個快速展示。他在筆記本上啟動Lumos，做了一個簡單的任務：改進了神經(jīng)網(wǎng)絡識別直升機圖像的能力。屏幕上出現(xiàn)了一個大概有5000個直升機形象的頁面，其中也有一些不是直升機（一個是玩具直升機、一些是從直升機視角拍攝的天空），這些數(shù)據(jù)是Facebook 從用戶發(fā)布的照片中收集來的。即使我完全不是一個工程師，更不懂人工智能，但是也可以簡單地點擊負面樣本來訓練圖像分類器分辨直升機。最終，這個分類步驟，所謂的有監(jiān)督學習，會完全自動化，利用機器學習方法，神經(jīng)網(wǎng)絡會自動探索圖像中的物體，實現(xiàn)“無監(jiān)督學習”。Paluri 說Facebook 正在為此努力，“我們的目標是明年將人工注釋減少到百分之一。”
長期來看，F(xiàn)acebook 會將“視覺皮質”融入進自然語言平臺上，幫助Candela 所謂的內(nèi)容理解引擎進行一般化擴展。Paluri 說：“毫無疑問，我們會將他們結合在一起，也許就叫做……大腦皮質。”
Facebook 的最終目標是將機器學習的核心原理通過發(fā)表論文等方式，擴展到甚至是公司之外的領域。Mehanna 說：“大家不用在花費大量時間創(chuàng)建智能應用，我們可以進展得更快。想象一下，它的影響可以涉及到醫(yī)藥，安全，交通等各個領域。我認為這些領域的應用開發(fā)速度會有百倍增長。”