Em 2011, Andrew Ng fez algo silenciosamente radical para um membro do corpo docente de Stanford: ele ajudou a juntar 16.000 núcleos de processador dentro do Google e colocá-los soltos em vídeos do YouTube em nome da inteligência artificial (AI).
Ele tem sido um professor de Stanford, uma mente fundadora por trás do Google Brain, cientista-chefe na Baidu, co-fundador da Coursera, e o empreendedor por trás do DeepLearning.AI, AI Fund e Landing AI. A Coursera sozinha ultrapassou 100 milhões de aprendizes registrados em 2021, uma escala que transformou o curso de aprendizagem de máquina (ML) de Stanford de Ng em um pipeline de treinamento global.
Um amigo que dirige uma pequena empresa de automação industrial - chamá-lo Marlon - passou seis meses ajustando um modelo de inspeção visual, depois viu que falhou depois que a fábrica instalou painéis de iluminação mais brilhantes.
A sala de aula de Stanford era uma incubadora precoce
Ng nasceu em Londres em 1976 e cresceu em Hong Kong e Cingapura antes de se mudar para os Estados Unidos.Ele estudou ciência da computação e economia em Carnegie Mellon, em seguida, passou para um mestrado no MIT e um PhD na Universidade da Califórnia, Berkeley.Ao início dos anos 2000, ele estava ensinando em Stanford, onde seu curso de aprendizagem de máquina tornou-se um destino para estudantes de todos os programas de engenharia e negócios.
Quando a universidade colocou seu curso na web aberta, mais de 100.000 pessoas se inscreveram dentro de semanas, um número que parecia insensato para uma única classe na época.
Ng continuou publicando pesquisas, mas ele também continuou embalando a pesquisa em formatos que os praticantes poderiam usar sem deixar seus empregos.
Google Brain e o caso para redes maiores
No Google, Ng trabalhou com Jeff Dean e outros sobre o que se tornou o Google Brain, uma tentativa de treinar redes neurais em conjuntos de dados muito maiores do que a maioria dos grupos de pesquisa poderia lidar. O resultado do reconhecimento de gatos usou imagens do YouTube não rotuladas e uma configuração de computação distribuída que era exótica em seu dia.
O resultado específico foi menos importante do que a demonstração. mostrou que, com dados e cálculo suficientes, um sistema poderia aprender recursos que foram transferidos para outras tarefas.
O Google Brain também deu a Ng uma visão de como o aprendizado de máquina industrial era diferente de um projeto universitário.Os dados chegaram em fluxos confusos, os modelos tiveram que correr em infraestrutura real e os ciclos de treinamento custaram dinheiro real.
Baidu e a linha que parou
Em 2014, Ng tornou-se cientista-chefe na Baidu, onde dirigiu o Grupo de IA da empresa através do reconhecimento de voz em larga escala e do trabalho de condução autônoma da empresa. Ele repetiu o Playbook do Google Brain em uma escala diferente e em um ambiente de idioma diferente.
Por volta desse período, Ng popularizou uma comparação: “inteligência artificial é a nova eletricidade.” A frase não era uma alegação técnica.
Coursera e o jogo de distribuição
Ng co-fundou a Coursera com Daphne Koller em 2012, transformando o curso de aprendizagem de máquina de Stanford em um dos primeiros cursos abertos em massa da web. O tempo ajudou. banda larga e acesso móvel foram suficientemente maduros para que as palestras pudessem viajar, e os empregadores estavam começando a pedir habilidades que as universidades eram lentas para entregar em escala.
A Coursera ultrapassou 100 milhões de aprendizes registrados em 2021 e foi publicada na Bolsa de Valores de Nova York no mesmo ano.Relatórios públicos da CourseraMostra que a plataforma desde então se expandiu para além de cursos individuais em graus e treinamento de mão-de-obra.O curso original de aprendizagem de máquina de Ng ainda se encontra perto do topo das listas mais inscritas da empresa.
O fundador Stack
Depois de deixar a Baidu em 2017, Ng construiu um cluster de empreendimentos interligados e um hábito de publicação.
- Inteligência.AICorre cursos e uma newsletter semanal para os praticantes.
- O Fundoé um estúdio de risco que apoia empresas de estágio inicial com equipes técnicas e capital.
- Desembarque emConcentra-se na visão de computador para fábricas, vendendo uma plataforma chamada LandingLens para inspeção visual.
- Aprendizagem de Máquina Yearningé o livro gratuito de Ng sobre como estruturar projetos de aprendizagem de máquina.
Essas empresas compartilham um hábito que é menos óbvio do que a tecnologia. Cada um trata os modelos de aprendizagem de máquina como um sistema operacional, não apenas um algoritmo. Qualidade de dados, horários de retrabalho, especialistas em domínio e feedback do usuário fazem parte do produto desde a primeira semana. Para os fabricantes, o campo da IA de aterragem é mais estreito do que a IA geradora de propósito geral: detecção de defeitos em peças de máquina, placas de circuito e produtos acabados.
A IA centrada em dados e o problema da deriva
Nos últimos anos, Ng argumentou por uma IA centrada em dados: a prática de melhorar a consistência dos rótulos e os exemplos usados para avaliação antes de chegar a um modelo maior.A falha de iluminação de Marlon foi um problema centrado em dados.O modelo tinha aprendido a associar pixels brilhantes com defeitos porque as imagens de treinamento originais vêm de luzes de uma mudança.
Em vários concursos públicos, as equipes de Ng disseram aos participantes para manterem o modelo fixo e competirem exclusivamente para melhorar o conjunto de dados. As entradas vencedoras aumentaram consistentemente a precisão, rebatizando casos de borda, removendo exemplos duplicados e equilibrando classes raras. A lição foi simples: o trabalho de dados não é uma tarefa de limpeza.
A maioria dos projetos-piloto de aprendizagem de máquina nunca se tornam infraestrutura durável, e as estimativas da indústria comum colocam a conversão de produção total bem abaixo da metade.
O que isso significa para a equipe que você dirige
O playbook de Ng aponta para uma sequência:
- Comece com um consumidor: uma pessoa ou sistema que precisa da saída do modelo, não uma vaga promessa de inteligência.
- Projetar o tubo de dados mais cedo do que o modelo, porque o deslizamento de dados é um problema do primeiro ano, não um caso de borda.
- Publica documentação interna que registra quando um modelo pode ser confiável e quando não.
- Trate o retrabalho como um centro de custos contínuo, com revisões agendadas a intervalos medidos em semanas ou meses, não anos.
Para a equipe de Marlon, a correção não era um modelo melhor: era um padrão de posição da câmera, um conjunto de imagens rebatizado, um README de uma página que descrevia as condições de iluminação e uma verificação antes de cada produção.
O próximo passo mais útil é menor do que parece.Tome um modelo de que você está orgulhoso e escreva as condições exatas sob as quais ele deve ser desligado.Se você não pode nomear esse modo de falha, o modelo não está pronto para o piso da fábrica, o cliente, o regulador ou o público.
