LinkedIn: მანქანათმცოდნეობა ჟანგბადს ჰგავს, მაგრამ ადამიანის ელემენტი მალე არ ქრება

ცოტა ხნის წინ LinkedIn-მა განაახლა თავისი ახალი ამბები და გამოუშვა ახალი ფუნქცია სახელწოდებით Trending Storylines. Microsoft-ის შეძენასთან ერთად, ეს არის ნაბიჯი შორსმიმავალი შედეგებით.

სოციალურმა მედიამ და მათმა სიახლეებმა გადამწყვეტი როლი შეასრულეს ჩვენს ცხოვრებაში. დიდწილად, ისინი აყალიბებენ ჩვენს აღქმას, როგორ ვიღებთ ჩვენს ინფორმაციას და ვუკავშირდებით ერთმანეთს და ზოგადად სამყაროს. LinkedIn არის პროფესიონალური ქსელი, მაგრამ მისი ზომა და ამბიცია ნიშნავს, რომ მისი ახალი ამბები შეიძლება იყოს ძალიან მნიშვნელოვანი თავისებურად.

მონაცემთა გამოყენება, რათა მომხმარებლებს შესთავაზოს შესაბამისი გამოცდილება, LinkedIn-ის ფუნქციონირების საფუძველია. როგორც იგორ პერიშიჩი, LinkedIn-ის CDO, ინჟინერიის ვიცე-პრეზიდენტი და მანქანათმცოდნეობის (ML) ხელმძღვანელი ამბობს, „მანქანური სწავლება LinkedIn-ის ორგანიზმისთვის ჟანგბადია“.

როგორც ჩანს, თუმცა LinkedIn-ისთვის, რაც ითქვა სიყვარულზე, ასევე ეხება ML-ს: ძალიან ბევრს იღებთ, ზედმეტად ამაღლდებით, არასაკმარისად და მოკვდებით. ასე რომ, მთავარია დაბალანსებული და პრაგმატული მიდგომა ადამიანის ჩატარებისას.

რა არის სპამი?

ჩვენ დავუკავშირდით პერიშიჩს, რათა განგვეხილა მისი შეხედულებები LinkedIn-ში მონაცემთა და ML-ის გამოყენების შესახებ. როგორც არასდროს შევხვედრივართ, ჩვენი საუბარი საკმაოდ ტიპიური ყინულის მსხვრევით დაიწყო -- ჩვენი დღის მიმდინარეობისა და ჩვენი ადგილების შესახებ ინფორმაციის გაზიარებით საცხოვრებლის. შეიძლება ფიქრობთ, რომ ეს ჩვენს თემას შეუსაბამოა, მაგრამ მართლა ასეა?

LinkedIn არის პროფესიონალური სოციალური ქსელი და ჩვენ გვაქვს პროფესიონალური საუბარი ამის შესახებ. და მაინც აქ ვსაუბრობთ გაზაფხულის ბერლინზე. ეს პროფესიონალია? და ვინ განსჯის ამას? იქნება თუ არა LinkedIn-ის ალგორითმები სპამად კლასიფიცირებული, იყო თუ არა ეს ონლაინ გაზიარებული ტელეფონის ნაცვლად?

LinkedIn მუშაობდა იმის განსაზღვრაზე, თუ რა არის პროფესიული საუბარი და როგორ აისახება ეს ჩვენს სიახლეებში. ბევრ ჩვენგანს უნახავს იქ, მაგალითად, პოსტები "რა არის შემდეგი რიცხვი ამ თანმიმდევრობით". ზოგისთვის ისინი დამაინტრიგებელია, ზოგისთვის კი დაწკაპუნებაა.

პერისიჩი ამბობს, რომ მომხმარებელთაგან მიღებული გამოხმაურებების უმეტესობამ მიუთითა, რომ ისინი არ თვლიდნენ ამას პროფესიონალურ საუბრად, ამიტომ LinkedIn-მა გადაწყვიტა, რომ არ სურდათ, რომ ეს გადატვირთა მათი ახალი ამბები.

ცხადია, არსებობს გარკვეული დონის ინტერპრეტაცია. ამის მიხედვით, ასეთი შინაარსი კლასიფიცირდება როგორც დაბალი ხარისხის. LinkedIn ცოტა ხნის წინ განახლდა ML-ზე დაფუძნებული ახალი ამბები და გამოაქვეყნა ზოგიერთი დეტალი. მოკლედ, LinkedIn იყენებს მიდგომას, რომელიც აერთიანებს ML-ს ადამიანებთან მარყუჟში, რათა მოახდინოს კონტენტის კლასიფიკაცია მისი ხარისხის მიხედვით და შესაბამისად მოექცეს მას.

ML მუშაობს როგორც ტრიგერი, რომელიც აფასებს შინაარსს ორ ეტაპად. თავდაპირველად, LinkedIn-ის ონლაინ და ახლომდებარე კლასიფიკატორები ასახელებენ ყველა სურათს, ტექსტს ან გრძელ ფორმას, რომელიც გაზიარებულია როგორც "სპამი", "დაბალი ხარისხის" ან "გასუფთავებული" თითქმის რეალურ დროში. როგორც კონტენტი აგროვებს აუდიტორიას, კლასიფიკატორების კიდევ ერთი ნაკრები მუშაობს იმ აქციების იდენტიფიცირებისთვის, რომლებიც სავარაუდოდ გახდება ვირუსული და, სავარაუდოდ, უფრო დაბალი ხარისხის იქნება, ასევე მოიცავს მომხმარებლის დროშით.

როდესაც ამ კლასიფიკატორებს შეუძლიათ მაღალი სიზუსტით დასკვნა, თუ რა კატეგორიის აქციები განეკუთვნება, ისინი დამოუკიდებლად მოქმედებენ, აძლევენ აქციებს, ამცირებენ ან ფილტრავენ. როდესაც კლასიფიკატორებს არ შეუძლიათ უსაფრთხოდ გადაწყვიტონ, ადამიანის რედაქტორები მოდიან სამაშველოში. LinkedIn აღნიშნავს თავის ადამიანთა მარკირების გუნდს, რომელსაც მართავს Trust and Safety ორგანიზაცია, როგორც სპამთან ბრძოლის ძალისხმევის ცენტრს.

რედაქტორების მიერ მიღებული გადაწყვეტილებები, რომლებიც მუშაობენ LinkedIn-თან, მიეწოდება ML ალგორითმებს მათი გასაუმჯობესებლად. რუში ბჰატი, LinkedIn-ის უფროსი ინჟინერიის მენეჯერი, ამბობს, რომ ადამიანის უკუკავშირის ციკლი ამ მასშტაბით დაახლოებით ერთი წელია არსებობს. ის 2016 წელს დაიწყო ML კლასიფიკატორების მცირე გამოყენებით კონტენტის არხის უმეტესობისთვის, ამიტომ ამ ციკლმა ჩატვირთა LinkedIn-ის მთელი პროგრამა.

თუმცა რამდენად კარგად მუშაობს? ”სხვადასხვა კლასიფიკატორი აკეთებს განსხვავებულ რამეს, ამიტომ ძნელია მივიღოთ ერთი ფიგურა, რომელიც ზომავს ჩვენი პროგრამის ეფექტურობას”, - ამბობს ბჰატი. ”კლასიფიკატორების ერთი ნაკრების ონლაინ A/B ტესტირებამ აჩვენა 48 პროცენტით შემცირება სპამის და დაბალი ხარისხის შინაარსის შთაბეჭდილებების ამ პროგნოზირების გამო. პროგნოზირების კიდევ ერთმა ჯგუფმა ექვსჯერ გაზარდა დაბალი ხარისხის კონტენტის მონიშვნის სიზუსტე."

ბჰატი არ ელის ადამიანის ელემენტის გაქრობას უახლოეს მომავალში.

„ერთ-ერთი მიზეზი, რის გამოც LinkedIn-ს სურს შეინარჩუნოს ადამიანის უკუკავშირის ციკლი, არის მონიტორინგი საიტი ნებისმიერი ახალი და ახალი ტიპის სპამის თავდასხმისთვის და მუდმივი გაზომვისთვის სისტემა. ასევე იქნება შემთხვევები, რომლებიც საჭიროებს უფრო ღრმა შემოწმებას.

თუ რამეა, LinkedIn ხედავს, რომ კლასიფიკატორები ართმევენ "grunt work" ტიპის ეტიკეტირებას. ადამიანები და მისი ეტიკეტირების შემქმნელები თავისუფალნი არიან დაათვალიერონ უფრო ნიუანსირებული შინაარსი, რომელიც მოითხოვს ადამიანის ინტელექტს განიკითხავს. LinkedIn ასევე იყენებს მრავალფეროვან ტექნიკას, რათა თავიდან აიცილოს მიკერძოებული ტრენინგი მხოლოდ იმაზე, რაც შედის უკუკავშირის ციკლში. ”

მაშ, გაზაფხულზე ბერლინზე საუბარი სპამია თუ არა? Დამოკიდებულია. როდესაც იზიარებთ რაიმეს, რომელიც შეზღუდულია, მაგალითად, ადამიანთა ჯგუფთან, რომლებთანაც თქვენ რაიმე ფორმით ხართ დაკავშირებული, ალგორითმები გაგიადვილდებათ, ვიდრე მსოფლიოსთან გაზიარებისას.

Perisic კიდევ უფრო შორს მიდის და ვარაუდობს, რომ ML-ს შეუძლია პროაქტიულად დაეხმაროს მომხმარებლებს მათი გაზიარების რეგულირებაში, რათა თავიდან აიცილონ გვერდითი მოვლენები და გაზარდონ გავლენა. ასე რომ, გასაკვირი არ იქნება, რომ რაღაც ამ ხაზში მალე გამოაშკარავდეს.

ტრენდული სიუჟეტები: რა იქნებოდა, თუ LinkedIn იყო მედია ორგანიზაცია?

მაგრამ თუ LinkedIn-ს შეუძლია წინასწარ განსაზღვროს, გახდება თუ არა პოსტები ვირუსული, განა ეს ასევე არ იქნება გამოყენებული ასეთი პოსტების გენერირებისთვის? როგორც ჩანს, მას შეუძლია და ეს არის ის, რასაც LinkedIn-ს შეუძლია მიაღწიოს თავისი ახალი Trending Storylines ფუნქციით.

LinkedIn გააცნო Trending Storylines, როგორც ახალი არხის გამოცდილების ნაწილი. ის დაწინაურებულია, როგორც ფუნქცია, რომელიც ეხმარება წევრებს აღმოაჩინონ და განიხილონ ახალი ამბები, იდეები და მრავალფეროვანი პერსპექტივები. მისი მუშაობის გზა არის სისტემების გამოყენებით LinkedIn სარედაქციო გუნდის ექსპერტიზასთან ერთად შესაბამისი ახალი ამბების რეკომენდაციების შესაქმნელად. იდეა არის, რომ რედაქტორები ირჩევენ და ქმნიან ისტორიებს, ML აკეთებს დანარჩენს, მათ შორის განახლებას, როგორც ახალი შინაარსით, როგორც ის ჩნდება.

მიუხედავად იმისა, რომ ჯერ კიდევ ნაადრევია იმის თქმა, რამდენად კარგად იმუშავებს, რადგან ის სულ რამდენიმე დღის წინ გამოვიდა და ამ დროისთვის მხოლოდ აშშ-ში გამოვიდა, ეს ყველა საინფორმაციო ორგანიზაციის სველ ოცნებად ჟღერს. პერიშიჩმა აღნიშნა, რომ ის ფაქტი, რომ ML მნიშვნელოვნად უკეთ მუშაობს შემცირებულ სივრცეში გამოყენებისას, როგორც ეს აქ ხდება. მაგრამ ეს ასევე მიუთითებს რამდენიმე საინტერესო პუნქტზე.

როგორც ჩანს, შინაარსის კლასიფიკაცია მხოლოდ სამ თაიგულში - სპამი, დაბალი ხარისხის ან სუფთა - არ წყვეტს მას. „მკაფიო“ ზონის გაკეთების შემდეგ, კლასიფიკატორების სხვა ნაკრები იღებს კრიტერიუმების ერთობლიობის მიხედვით ერთეულების რანჟირებას. პერიშიჩმა მოიხსენია მაგალითად კლასიფიკატორი, რომელიც აფასებს შინაარსს საუბრის დაწყების პოტენციალის მიხედვით.

თუმცა ყველა კლასიფიკატორი სათანადოდ უნდა იყოს მორგებული და კომბინირებული, და ეს ალბათ უფრო ხელოვნებაა, ვიდრე მეცნიერება. მაგალითად, ვაკანსიები, როგორც წესი, არ არის საუბრის შესანიშნავი დამწყები. Newsfeed-ისთვის საუბრის შეფასების ამ კლასიფიკატორზე დიდად დაყრდნობა ნიშნავდა, რომ სამუშაო ადგილების გახსნა დასჭირდა მოხვდა ხილვადობის თვალსაზრისით, რაც აშკარად არასასურველი გვერდითი ეფექტი იყო, ასე რომ, ახალი ამბების დაყენება იყო საჭირო.

და სწორედ აქ შევდივართ „ახალი ამბების“ ტერიტორიაზე. LinkedIn-ის ნაწილი Trending Storylines მახასიათებლისადმი მიძღვნილი პოსტი არის იმის შესახებ, თუ რა ქმნის კარგ ისტორიას. LinkedIn-ში ნათქვამია, რომ "ბევრი დისკუსიისა და რეფლექსიის შემდეგ, Storylines-ის ფუნქციის ადრეული ტესტერების მიერ, ჩვენ გამოვხატეთ შედეგის ხარისხი ამ ოთხ ატრიბუტში: შესაბამისობა, სიახლე, პროფესიონალიზმი, პერსონალიზაცია."

LinkedIn ამჟამად იყენებს სამ წყაროს კონტენტისთვის: გაზიარებები და სტატუსის განახლებები, ბლოგის პლატფორმა და მისი სარედაქციო გუნდის მიერ მონიშნული შინაარსი. რედაქტორების დაქირავება, რომლებიც ამუშავებენ სიახლეებს და ქმნიან ისტორიებს, აქცევს თუ არა LinkedIn-ს მედია ორგანიზაციად, როგორც ეს Facebook-ისთვისაც იყო შემოთავაზებული? არის თუ არა პასუხისმგებლობები, რომლებიც ამას მოყვება და განა ცვლის თუ არა ადამიანის ციკლიდან საერთოდ ამოღებას?

როდესაც კომენტარის გაკეთება სთხოვეს, დენ როტმა, LinkedIn-ის აღმასრულებელი რედაქტორი, ასე უპასუხა:

„ჩვენ პლატფორმის აგნოსტიკოსები ვართ და ორიენტირებული ვართ პროფესიონალებს შორის საუბრების გაღრმავებაზე -- ისტორიები, რა თქმა უნდა, ამის მთავარი კომპონენტია. ჩვენ ასევე გვაქვს ძლიერი ურთიერთობები გამომცემლებთან და ვნახეთ, რომ ჩვენი რეფერალური ტრაფიკი გაიზარდა 2-3X-ით.

ჩვენ ყოველთვის გვჯეროდა, რომ ნამდვილი ჯადოქრობა მოდის მაშინ, როდესაც ვაერთიანებთ რედაქტორებსა და ალგორითმებს. რედაქტორებს - ძირითადად ყველა ჟურნალისტს - შეუძლიათ დააფიქსირონ, დაგეგმონ ან წაახალისონ მაღალი ხარისხის, გადაუდებელი საუბრები. ალგორითმები საშუალებას გვაძლევს მივაღწიოთ გრძელ კუდს მხოლოდ ამ მთავარი თემების მიღმა. რედაქტორების ქმედებები ხელს უწყობს ალგორითმების მომზადებას და ალგორითმები ხელს უწყობს პოტენციურად მაღალი ხარისხის საუბრების გამოვლენას."

როგორ ხსნით შავ ყუთს და რამდენად ღიაა საკმარისად ღია?

Trending Storylines-ის შემოღება აჩენს ძველ კითხვას: არის თუ არა LinkedIn-ის პოლიტიკა და ჩართულობის წესები ისეთივე მკაფიო, როგორიც შეიძლება იყოს კონტენტის შემქმნელებისა და ახალი ამბების მომხმარებლებისთვის? იყო გარკვეული კრიტიკა ამ თემაზე და, ცხადია, არის მკაფიო ზღვარი IP-ის დაცვასა და კონტენტის შემქმნელებისა და მომხმარებლებისთვის მიმზიდველ არხს შორის. როდესაც კომენტარი სთხოვეს, სტივ ლინჩმა, LinkedIn-ის კომუნიკაციების უფროსმა მენეჯერმა ასე უპასუხა:

„ამ საკითხზე ბევრი მოგვარდა მას შემდეგ eCommerce Times-ის სტატია გამოვიდა. LinkedIn-ი მუშაობდა შემდგომში ZDNet სტატიადა ერთი რამ, რაც ცხადია, არის ის, რომ მობილურსა და დესკტოპს შორის ფუნქციების სრული თანასწორობის არარსებობა დაბნეულობის ერთ-ერთი სფერო იყო. მაგალითად, ჩვენც წამოიწყო ახალი გამოცდილება, რომელიც მოუწოდებს წევრებს შეცვალონ თავიანთი არხი მაქსიმალური შესაბამისობისთვის -- მაგრამ ეს არ იყო ხელმისაწვდომი დესკტოპზე იმ დროს.

რამდენადაც IP-ს დაცვასა და კონტენტის შემქმნელებისთვის გამჭვირვალობას შორის ხაზს გავდივართ, ჩვენ გთავაზობთ საკმაოდ მარტივი ახსნა იმის შესახებ, თუ როგორ ხდება სტატიების გაზიარება და შეწონილი წევრები' კვებავს. შეგიძლიათ გადახედოთ ამ განმარტებას აქ.

საბოლოო ჯამში, ჩვენი მიზანია გავაგრძელოთ ინსტრუმენტების დამატება და გაუმჯობესება, რათა წევრებმა გააკონტროლონ თავიანთი არხების გამოცდილება, მიეცით უფლება გვითხრან, რისი ნახვა სურთ."

მიუხედავად იმისა, რომ იმის დადგენა, არის თუ არა LinkedIn მედია ორგანიზაცია და რამდენად უნდა გამოავლინოს მისი შიდა სამუშაოები, ძირითადად სხვების გადასაწყვეტია, პერისიჩი ასევე არის შეშფოთებულია გამჭვირვალობით. რაც შეეხება ახალი ამბების გამჭვირვალობას, ის ამას განიხილავს, როგორც შეიარაღების ერთგვარ რბოლას: „დაწვრილებით აღწერა, თუ როგორ მუშაობს ჩვენი ალგორითმები, ორლესლიანი მახვილი იქნება“, ამტკიცებს ის. "თუ ჩვენ აგიხსნით, როგორ მუშაობს, სპამერებს სისტემაში თამაშის საშუალებას მივცემთ."

თუმცა, ML შავი ყუთის გახსნა პერიშიჩის პასუხისმგებლობაში შედის. პერიშიჩი იყო LinkedIn-ის მოლაპარაკებებში ევროკავშირის მარეგულირებლებთან დაკავშირებით GDPR, რომელიც ძალაში 2018 წლის მაისში შევა. ამის ნაწილი დაკავშირებულია განმარტებებთან, რომლებიც LinkedIn-მა, სხვათა შორის, უნდა მიაწოდოს ინდივიდებს იმის შესახებ, თუ რატომ ხდება გარკვეული რამ პლატფორმაზე. როგორია მისი შეხედულება ამაზე?

„თუ მოგცემთ ML ალგორითმს 100K ფუნქციებით და ვეცდები აგიხსნათ, ეს არ იქნება ტრივიალური. ეს უნდა იქნას გაგებული კითხვის დამსმელი პირის პერსპექტივიდან და არა ექსპერტის მხრიდან. თუ მოდელს გადავხედავ, გავიგებ, მაგრამ საქმე იმაშია, რომ შევძლო ავუხსნა იმ ადამიანს, ვინც მეკითხება "რას აპირებ ჩემი შინაარსით".

როგორ ხდება რეგულაციების ინტერპრეტაცია, ეს მიმდინარე დისკუსიაა. მაღალი სირთულის არ შეიძლება გამოიწვიოს ML და სტატისტიკის პრაქტიკოსი ჩამოირეცხოს სირთულის. ეს არ არის ისეთი, როცა რაღაც რთულია, ამას ვერ ახსნი. რა ფაქტორები მოქმედებს ალგორითმზე?

ჩვენ უნდა ვიმუშაოთ უკუღმა ალგორითმისგან, რათა გავიგოთ ცალკეული ადამიანების სიტყვებით და არა ჩვენი სიტყვებით. მე შემიძლია აღვწერო რეგრესიის მრავალი ტექნიკა, რომელიც მუშაობს რამდენიმე გზით, მაგრამ ეს ძალიან ტექნიკურია. მაგრამ ჩვენ უნდა დავრწმუნდეთ, რომ გესმით -- ჩვენ არ შეგვიძლია დავიმალოთ ფორმულის მიღმა.

ჩვენ შეგვიძლია განვსაზღვროთ ჩვენი მოდელების მიერ არჩეული მთავარი ფაქტორი. არა ყველა ფაქტორი, მაგრამ ჩვენ შეგვიძლია განვსაზღვროთ, რა გავლენა მოახდინა მასზე ძირითადად. ეს ზუსტად სრულია? არა, მაგრამ ეს შეიძლება იყოს საკმარისი იმისათვის, რომ დაფაროს პირის მოთხოვნის გაგება. ”

LinkedIn + Microsoft = ყველა თქვენი მონაცემი ჩვენ გვეკუთვნის? Გართულებულია

რეგულაცია ასევე გავლენას ახდენს LinkedIn-ზე იმ თვალსაზრისით, თუ რისი გაკეთება შეუძლია მას, როგორც Microsoft-ის ნაწილი. პერისიჩი არის როგორც CDO, ასევე LinkedIn-ის ინჟინერიის VP და მიუხედავად იმისა, რომ ის ხუმრობს იმაზე, თუ როგორ არის LinkedIn-ის ლოგო კვლავ მთელ მათ შენობებში, საქმე საკმაოდ სერიოზულია, როდესაც საქმე ეხება მონაცემთა ნაკრების შერწყმას.

მაშ, რა უშლის ხელს მაიკროსოფტს, გააკეთოს ის, რაც Google-მა გააკეთა YouTube-თან და სხვა სერვისებთან რაღაც მომენტში, და შექმნას ერთიანი მომხმარებლის პროფილი მთელი სპექტრით, ყველაფერი, რაც მან იცის თქვენ შესახებ? LinkedIn-ის მარეგულირებელებთან დისკუსიების ნაწილი სწორედ ამაზეა.

პერიშიჩის მიხედვით:

„იქ ფრთხილად უნდა ვიყოთ. ჩვენ გვაქვს ძალიან ცოტა ხნის წინ მომხდარი პრეცედენტი Facebook და WhatsApp. შესყიდვის დამტკიცების გარკვეული პირობები არსებობს, მაგრამ, ალბათ, უფრო მნიშვნელოვანია, რომ ჩვენი სამუშაო შევასრულოთ, უნდა გვქონდეს ჩვენი წევრების ნდობა. წევრები პირველ რიგში ჩვენი ფილოსოფიაა.

წარმოიდგინეთ, რა მოხდებოდა, მაგალითად, თუ თქვენი Xbox ჩეთები ხელმისაწვდომი იქნებოდა მსოფლიოსთვის? თქვენ წახვედით -- მოითმინეთ ერთი წუთით, მე მხოლოდ ეს გავუზიარე იმ ადამიანთა ჯგუფს, ვინც დღეს ამ თამაშში ვიყავი, არ მინდა იცოდეთ ვინ ვარ მე ან შეაერთოთ ეს ჩემს Outlook მონაცემებთან ან ჩემს Bing ძიებებთან.

თქვენ უნდა გადაწყვიტოთ, რითია ცნობილი თქვენი პლატფორმა. LinkedIn-ში გვსურს ვიფიქროთ, რომ განსხვავებულები ვართ და არა მხოლოდ იმის გამო, თუ როგორ ვაკეთებთ ყურადღებას ML-ის გამოყენებაზე, რათა ჩამოვაყალიბოთ ჩვენი პროდუქტის მოქცევა.

ML-ის გამოყენებით თქვენ აკეთებთ ისეთ რამეებს, როგორიცაა განზრახვის კლასიფიკაცია, ასე რომ თქვენ უნდა იყოთ ფრთხილად. თუ წევრებს ჰკითხავთ, ვისთან სურთ მონაცემთა გაზიარება, პატივი უნდა სცეთ მათ გადაწყვეტილებას. ჩვენთვის წევრებისთვის უპირველეს ყოვლისა ნიშნავს, რომ მონაცემები ეკუთვნის წევრებს - ჩვენ მხოლოდ მცველები ვართ. ”

თუმცა, ეს არ ნიშნავს იმას, რომ არ არსებობს სინერგია, რასაც LinkedIn და Microsoft ახორციელებენ. დასაწყისისთვის:

„Microsoft-ს ჰყავს ბევრი ჭკვიანი პიროვნება და მათზე წვდომა - და პირიქით - აშკარად მომგებიანია. იმის ნაცვლად, რომ შევხვდეთ ადამიანებს კონფერენციებზე და მივიღოთ მინიშნებები იმის შესახებ, თუ როგორ უახლოვდებიან ისინი პრობლემებს, ჩვენ შეგვიძლია უშუალოდ ვითანამშრომლოთ და გვქონდეს სრული წვდომა.

მაგალითად, GPU კლასტერებთან მუშაობა, რასაც ჩვენც და Microsoft-საც ვაკეთებთ. ამ კლასტერების კონფიგურაცია არ არის ადვილი ამოცანა და ჩვენ შევძელით სარგებლობის მიღება Microsoft-ის გამოცდილებიდან. ის ასევე მუშაობს პირიქით და სხვა სფეროებში, როგორიცაა ინსტრუმენტები და ალგორითმები.

ჩვენი მრავალი ინსტრუმენტი არის ღია კოდის წყარო და უკვე გამოიყენება Microsoft-ის მიერ, როგორიცაა კაფკა. ჩვენ ასევე გვაქვს ალგორითმები, რომლებსაც Microsoft უყურებს, მაგალითად, დიდი მასშტაბის ლოგისტიკური რეგრესიის გაკეთება. მაგრამ ზოგადად, ჩვენ ვინარჩუნებთ ჩვენს ავტონომიას. ”

როგორ განვახორციელოთ AI და მანქანათმცოდნეობა: