En 2011, Andrew Ng hizo algo silenciosamente radical para un miembro de la facultad de Stanford: ayudó a conectar 16.000 núcleos de procesadores dentro de Google y ponerlos libres en videos de YouTube en nombre de la inteligencia artificial (AI).
La etiqueta de juggernaut de la IA se aplica a muchas personas; en el caso de Ng los componentes son inusual concreto. Ha sido un profesor de Stanford, una mente fundadora detrás de Google Brain, científico jefe en Baidu, cofundador de Coursera, y el empresario detrás de DeepLearning.AI, AI Fund y Landing AI. Coursera solo superó los 100 millones de aprendices registrados en 2021, una escala que convirtió el curso de aprendizaje automático (ML) de Stanford de Ng en un tubo de capacitación global.
Un amigo que dirige una pequeña empresa de automatización industrial -le llamó Marlon- pasó seis meses ajustando un modelo de inspección visual, luego vio que falló después de que la fábrica instaló paneles de iluminación más brillantes.
El aula de Stanford era una incubadora temprana
Ng nació en Londres en 1976 y creció en Hong Kong y Singapur antes de mudarse a los Estados Unidos. Estudió informática y economía en Carnegie Mellon, luego obtuvo un máster en el MIT y un doctorado en la Universidad de California, Berkeley. A principios de los años 2000 estaba enseñando en Stanford, donde su curso de aprendizaje automático se convirtió en un destino para estudiantes de todos los programas de ingeniería y negocios.
Cuando la universidad puso su curso en la web abierta, más de 100.000 personas se inscribieron dentro de semanas, un número que parecía insensato para una sola clase en ese momento. Ng trató ese momento como prueba de que la barrera no era de interés.
Ng siguió publicando la investigación, pero también siguió empaquetando la investigación en formatos que los practicantes podrían usar sin dejar su trabajo.
Google Brain y el caso de las redes más grandes
En Google, Ng trabajó con Jeff Dean y otros en lo que se convirtió en Google Brain, un intento de entrenar redes neuronales en conjuntos de datos mucho más grandes de lo que la mayoría de los grupos de investigación podían manejar. El resultado del reconocimiento de gatos utilizó imágenes no etiquetadas de YouTube y una configuración de computación distribuida que era exótica en su día.
El resultado específico fue menos importante que la demostración. Mostró que dado suficiente datos y cálculo, un sistema podía aprender características que se transferían a otras tareas.
Google Brain también dio a Ng una visión de lo diferente que era el aprendizaje automático industrial de un proyecto universitario.Los datos llegaron en flujos confusos, los modelos tuvieron que correr en infraestructura real, y los ciclos de capacitación costaron dinero real.
Baidu y la línea que se detuvo
En 2014, Ng se convirtió en científico jefe en Baidu, donde dirigió el grupo de inteligencia artificial de la compañía a través del reconocimiento de voz a gran escala y el trabajo de conducción autónoma de la compañía. Repitió el playbook de Google Brain en una escala diferente y en un entorno de idioma diferente.Bajo su liderazgo, el grupo de inteligencia artificial de Baidu construyó sistemas de voz que empujaron el reconocimiento de voz en mandarín desde una demostración de laboratorio hacia una característica de consumo.
Alrededor de ese período, Ng popularizó una comparación: “inteligencia artificial es la nueva electricidad.” La frase no era una afirmación técnica.
Coursera y el juego de distribución
Ng cofundó Coursera con Daphne Koller en 2012, convirtiendo el curso de aprendizaje automático de Stanford en uno de los primeros cursos masivos abiertos de la web. El tiempo ayudó.
Coursera superó los 100 millones de estudiantes registrados en 2021 y se publicó en la Bolsa de Nueva York el mismo año.Información pública de Courseramuestra la plataforma se ha expandido desde entonces más allá de los cursos individuales en grados y capacitación de la fuerza de trabajo. el curso original de aprendizaje automático de Ng todavía se encuentra cerca de la parte superior de las listas más inscritas de la empresa.
El fundador Stack
Después de dejar Baidu en 2017, Ng construyó un clúster de empresas de interconexión y un hábito de publicación.
- Introducción a DeepLearning.AIejecuta cursos y una newsletter semanal para los practicantes.
- El Fondoes un estudio de riesgo que apoya a las empresas de etapa temprana con equipos técnicos y capital.
- El aterrizaje deSe centra en la visión por computadora para las fábricas, vendiendo una plataforma llamada LandingLens para la inspección visual.
- Aprendizaje Machine Yearninges el libro gratuito de Ng sobre cómo estructurar proyectos de aprendizaje automático.
Estas empresas comparten un hábito que es menos obvio que la tecnología.Cada una trata los modelos de aprendizaje automático como un sistema operativo, no sólo un algoritmo.La calidad de los datos, los horarios de retraining, los expertos en dominio y los comentarios de los usuarios forman parte del producto desde la primera semana.Para los fabricantes, el campo de la IA de aterrizaje es más estrecho que el de la IA generativa de propósito general: detección de defectos en partes de máquinas, placas de circuitos y bienes acabados.
La IA centrada en datos y el problema de la deriva
En los últimos años Ng ha argumentado por la IA centrada en los datos: la práctica de mejorar la consistencia de las etiquetas y los ejemplos utilizados para la evaluación antes de llegar a un modelo más grande. la falla de iluminación de Marlon fue un problema centrado en los datos.
En varios concursos públicos, los equipos de Ng han dicho a los participantes que mantengan el modelo fijo y compiten únicamente por mejorar el conjunto de datos. Las entradas ganadoras aumentaron consistentemente la exactitud al volver a marcar casos de borde, eliminar ejemplos duplicados y equilibrar clases raras. La lección fue clara: el trabajo de datos no es una tarea de limpieza.
La mayoría de los proyectos piloto de aprendizaje automático nunca se convierten en infraestructura duradera, y las estimaciones comunes de la industria ponen la conversión total de la producción muy por debajo de la mitad.
¿Qué significa esto para el equipo que diriges?
El playbook de Ng señala una secuencia:
- Comience con un consumidor: una persona o sistema que necesita la salida del modelo, no una vaga promesa de inteligencia.
- Diseñar la tubería de datos antes que el modelo, porque la deriva de datos es un problema del primer año, no un caso de borde.
- Publica la documentación interna que registra cuándo se puede confiar en un modelo y cuándo no.
- Tratar la capacitación como un centro de costes continuo, con revisiones programadas a intervalos medidos en semanas o meses, no años.
Para el equipo de Marlon, la corrección no era un modelo mejor: era un estándar de posición de la cámara, un conjunto de imágenes re-etiquetado, un README de una página que describía las condiciones de iluminación y una comprobación antes de cada producción.
El siguiente paso más útil es más pequeño de lo que suena.Toma un modelo del que estás orgulloso y escriba las condiciones exactas bajo las que debe ser apagado.Si no puedes nombrar ese modo de fallo, el modelo no está listo para el piso de fábrica, el cliente, el regulador o el público.
