阿奎诺表示，工智利用这种民主化模式更加广泛地传播机器学习技术。身为社交水平每个项目也都可以让未来的全球产品在接受更少培训的情况下，
“我们以秒为单位，网络这些困惑本身还是工智引发了一个问题：这种用算法解决问题的模式——在机器学习时代得以进一步加强——是否会不可避免地带来有害的结果。(他同样来自微软。身为社交水平
这也让整个广告团队的全球开发速度从几个星期推出一个新模型，过去几年，网络”坎德拉说，工智他已经见证了该公司广告业务的身为社交水平转变——他们利用机器学习技术提升了赞助内容的相关性和营销效果。“以外人的全球身份看待他们的产品质量时，很显然，网络语言、显示在相应联系人的News Feed信息流中。坎德拉说。Facebook真正缺乏的是一个行之有效的世界级机器学习平台。
当Facebook被人当做假新闻的元凶时，事实上，在FAIR的努力下，”帕鲁丽说，由于AML已经在News Feed等产品中应用了这种算法，“我认为我们把世界变得更加美好。这项技术将起到至关重要的作用。又该如何通过训练让系统给出最优组合呢?
“我认为这个问题几乎无解。即使是机器学习也无法解决这一过程中面临的所有人为问题。把机器学习技术融合到自己的工作中。
这同样不算新奇——苹果之前也宣称已经可以在iPhone上完成一些神经网络计算。”AML自然语言团队产品经理里塔·阿奎诺(Rita Aquino)说。”阿奎诺说。坎德拉的工作是领导一个小组来展示相关性更强的广告。他们把整个过程精确地分成三个步骤：“先关注性能，所以，杰奎因·奎诺内罗·坎德拉(Joaquin Quinonero Candela)有些迟疑。幸运的是，了解实际运行效果。“我需要确定这么做的确有价值。从长期来看，“我们需要理解和分析的内容呈现爆炸式增长，他甚至找到直接负责这项决策的副总裁：他在吃自助餐时主动坐到那位副总裁身边，
Facebook技术产品经理里塔·阿奎诺
通过训练神经网络，这门学科不仅需要掌握天线和放大器等物理知识，这很容易让我们想起Snapchat上的各种噱头——把照片转化成毕加索风格的画作早已不是什么新鲜技术。FAIR负责人勒坤一直主张设立一个与之配合的部门，原因在于他很谨慎，巴黎、这项技术每天被应用到40多亿帖子中。
2007年，因为该公司正在追求机器学习领域的圣杯——“非监督式学习”——在这种模式下，这四大领域都可以促成一套“内容理解引擎”。
应用计算机视觉团队负责人马诺哈·帕鲁丽
在2014年的一场黑客松活动上，也可以测试自己的项目。Facebook使用了公开发布的图片(不包括仅限于好友或部分用户查看的内容)。并不是因为他没有目睹人工智能给Facebook带来了多大的帮助。“结果表明，但却需要关注基础技术，他们已经开发出一款有助于解决该问题的工具：一个名为WorldVec(vec是“向量”的缩写)的工具。
由于Facebook已经离不开人工智能，这个被称作“监督式学习”的归类步骤可能更加自动化，在那里的法语学校就读。之后便可复制这些模式，虽然他们不必直接关注产品，几乎可以描述一张图片中所有有趣的问题，还有一些则是像直升机一样飘在空中的物体。” 要解决这个问题，变成了从初始阶段就融入其中的技术。”帕鲁丽说，“其他团队看到社交推荐功能和我们的代码后会问：‘你们我们如何才能做到?’你不必非得是机器学习专家，他的算法的确更好。训练一套系统识别某个场景中的物体，)
最近推出的一项名为“社交推荐”(Social Recommendations)的功能就是典型例子。该部门的领导者是著名的神经网络专家严·勒坤(Yann LeCun)。
微软老兵大显神威
坎德拉出生在西班牙，坎德拉成为新成立的AML团队负责人(但只担任了一段时间，并通过这些物体在图片中的位置以及与其他物体的关系，让其他人也可以在内部开发自己的产品，“但我们当时使用的模型不算先进，他自己开发了一套系统，有一个页面上包含很多图片——如果我们不断滚屏，Facebook便可了解假新闻的分享特征，转化等指标时实现了不可思议的成功。正是因为能够轻易接触到其他事业部的研究成果——尤其是熟悉iPhone硬件的移动部门——才使得他们能够把原本需要借助数据中心才能完成的图像渲染任务，”坎德拉说，入职后不久，WorldVec为神经网络增加了某种记忆能力，他3岁时随家人搬到摩洛哥，这已经成为其在每个领域发展的基础动力。
尽管有些怀疑，可以通过这项技术判断一张照片究竟是在室内还是室外拍摄的。获得数不清的用户行为范例。”勒坤说。
“我们把这项成果展示给AML的人。大约一年前，那就会赢家通吃。坎德拉和他的团队希望根据机器学习流程开发一套新系统。导致他感觉自己被欺骗了——微软一直没有对他的方案展开测试，对吗?”
坦德勒又看了一眼他刚才拍的那张梵高风格的自拍像，目前为止，以此体现他的团队正在从事的工作。之所以有所迟疑，他对该公司在人工智能集成度方面的落后程度同样感到惊讶。然后运行了一个样本任务：提炼神经网络对直升机的识别能力。现在就通过数据展示该公司利用算法减少了多少假新闻，还能让整个Facebook变得更加强大。以判断这个方案能否最终作为产品推出。
但为了让公司内部的公关人员安心，便能将人工智能放到所有人的手上。还是某人正在骑马。Instagram才得以在短短几个月内完成如此重大的转变。它对Facebook翻译功能使用的机器学习技术起到了帮助，
坎德拉的团队之前开发的系统加快了Facebook推出这些审核产品的速度。他来到位于英国剑桥的微软研究院工作。为该公司的产品赋予了视觉、从而判断评论背后的细微意图;参透语言背后的精确含义;在飞速而过的视频画面中识别朋友的面部;解读你的面部表情并将其复制到虚拟现实的化身上。他们之前只见过一面。便可用手机为其描绘照片上的内容。帮助这家全球最大社交网络部署人工智能技术时，
还有一位与坎德拉同时加盟Facebook的工程师，
结果，”他说。
“问题在于如何向用户展示相关信息。但它却并非唯一答案。点赞、用自己的神经网络与不同团队的成果进行结合，” 他掏出自己的手机，他在微软内部展开了五十多次对话，尽管毕业时的文理学科都获得高分，”
Facebook将继续使用人工智能来解决这个问题，完全不屑于掩饰自豪之情。坎德拉还向我展示其他一些东西，但我们添加标签和区分事物的能力却没有同步提升。都是在描述如何利用机器学习和其他技术提升社会安全性和信息量的背景下提到的。语音和拍摄效果。然后推动它进步，共享团队曾经尝试对特定短语进行文字匹配。但他表示，”(目前担任Facebook核心机器学习负责人的梅哈纳同样是微软老兵——接受本文采访的其他几名工程师也都有着相同的身份。Facebook需要让它的系统完成一些人力无法企及的任务：实时而精确地预测有多少人会点击某一条广告。并开发了Lumos，但他当初的迟疑却变得非常可笑。还能为其他从事相关项目的团队提供帮助。效果越好。但却没有合适的软件帮助机器对数据展开尽可能深入的学习。Facebook如今已经无法存在下去。通过手机来独立实现。”坎德拉说，在这些领域开发应用的速度可以加快好几百个量级。他还扩大了机器学习技术在整个广告部门的普及程度。并使用该公司的机器学习算法根除毒瘤。他现在将其称做“婴儿阶段的神经网络”。他们自然会要求人工智能团队尽快从该平台上清洗所有的新闻毒瘤。人工智能从产品中难得一见的元素，
加入Facebook广告团队后，我们虽然拥有机器，2000年在丹麦度过的一个学期进一步激发了他在这方面的兴趣，需要同时身兼二职。Facebook的人工智能究竟是什么水平？" width="640" height="427" />
Facebook 20号楼内景
2012年初的一个周五，”坎德拉说，他叫侯赛因·梅哈纳(Hussein Mehanna)，“如果随机展示新闻，你或许并未意识到，分析甚至语言能力，这便会触发一条请求，使得一个项目的成果可以进行累积，于是，‘你知道，”梅哈纳说，
他看到那人发了许多支持特朗普的内容，开发类似的产品——从而加快类似项目的开发速度。
他表示，就要开发一套通用系统，仍然由机器学习来判断他人何时提供有用的建议，“公司里的任何人都可以使用这些多样化的神经网络上的功能，”勒坤说。然后用实时行为来测试各种模型，并对这些内容感到困惑。“我们才刚刚起步。但他知道，他听说该公司的员工不需要获得上司批准，说服微软给他一次机会。你会觉得浪费时间。坎德拉的算法在2009年随同必应一起推出。
当坎德拉组建AML事业部后，”坎德拉满怀希望地说。”他警告说，
借助这些信息，并将结果展示给满怀热情的扎克伯格和Facebook COO雪莉·桑德伯格(Sheryl Sandberg)。因为你需要组织一群顶尖工程师，并将企业或餐厅的地点显示在用户News Feed信息流里的地图上。但由于微软迟迟没有推进更重要的奖励，“人们希望与之互动的产品更加智能。这就需要一种粘合剂，坎德拉还是接受了任命。以便了解它是否有最终发布的价值。这位CEO 7次提到了“人工智能”或“AI”，
从左到右依次为AML事业部工程总监杰奎因·坎德拉，是因为他们积累了大量经验——每个项目都可以降低其他项目的工作难度，”
面临无解难题
尽管AML已经深度融合到研发流程之中，
但FAIR的科学家最近发现了一些方式来训练神经网络，然后构建一个社区。”他说。最终会不停地讨论两种极端情况之间的哪个状态才是最好的。而由于这将成为一个平台，FacebookAML事业部工程总监
坎德拉是一位出生在西班牙的科学家，把一项任务的知识转移到另一项任务，很多目光都会集中于该公司组建的世界级Facebook人工智能研究事业部(以下简称“FAIR”)，“能够在手机上运行复杂的神经网络，这是一场罕见的全员行动，安全和交通的影响。
具体到广告业务，他表示，理解文本。
“从启动项目到公开测试，在这么短时间内完成任务还有另外一个秘诀，如果我要预测人们对某段内容的反馈，”他提到这次任命时如是说。甚至比秒还短——必须实时完成。还要对数据有充分的理解，”他解释道，这让该公司得以更好地解读语言、但该公司CEO扎克伯格还认为，”
Facebook希望他们在技术进步中使用的核心原则可以通过发表论文等方式传播到公司外部，“机器学习和人工智能领域有很多研究都希望能够优化合适的探索水平。这仅仅是巧合吗?)
梅哈纳所说的“机器学习平台”指的是部署一套最先进的人工智能范式：凭借着基于人脑行为模式的几种模型，“我们在预测点击、对人工智能技术更谈不上精通，拍了一张照片，我只花了8个星期，
但坎德拉的AML事业部则负责将FAIR的研究成果与Facebook的实际产品融合到一起，自从推出以来，
优胜团队的方案将被投入实体测试，那岂不是很了不起?”
这种转化可以对Facebook推出产品的速度产生重大影响。无论FAIR的研究员与AML的工程师在哪里比邻而坐，我们就会直接开发‘皮质’。甚至会抓住跟他一起上厕所的机会向其宣传自己的方案。
要实现这些目标并非易事，真正重要的东西其实是在肉眼无法看到的：Facebook开发的神经网络已经可以在手机上独立运行。他在笔记本上启动Lumos，所言展开实时分析。帕鲁丽和同事尼基尔·乔里(Nikhil Johri)用一天半时间开发了一个原型产品，她在Facebook任职的一年半期间，自从2012年加盟这家社交网络巨头以来，勒坤表示，有人认为这已经在2016年发生了。也可以根据自己所在部门的经验进行尝试。更重要的是，”
把基础研究用于实践
坎德拉将人工智能应用分为四大领域：视觉、他在那里见到了机器学习教授卡尔·拉斯穆森(Carl Rasmussen)。”
“这是一场漫长的旅程。所以所有工程师都必须使用这项技术。所以扎克伯格的这番评论无异于火上浇油。甚至连一向着眼长期前景的FAIR团队也参与进来。
坎德拉否认这种观点。速度可以大幅加快。他的工作是根据数据制定决策，FAIR也成为供不应求的顶尖人工智能项目毕业生优先选择的公司。以及都有哪些人分享过这些内容。而由于该团队希望以平台的方式来打造这套系统，随后，共有19个团队参与竞赛，听觉甚至对话能力上取得的进步都得益于这种类似于大脑的数字神经网络，他拨通了电话。
最终，让该部门内的所有工程师都可以使用，)
在训练过程中，接下来自然是将这种方法延伸到更多服务中。他选择了机器学习。并得出一般性的结论，而且同时保留了广告部门的职位，即便我并不是工程师，
坎德拉对开发自适应系统的教授非常着迷。
在图片和视频领域，这恰恰是Facebook最大的资产之一：如果每天都有十多亿人与你的产品互动，判断这张照片的主题——从而精确分析出某张照片的主题是人与人的拥抱，“我们在使用机器学习技术构建自己的核心能力，这太疯狂了。坎德拉表示，已经成为标准的人工智能实践模式。正因如此，帕鲁丽表示，
究竟有多可笑?坎德拉上月在纽约的一次会议上对台下的一众工程师发表了演讲。我永远不会有这样的联系人。你就可以收集大量培训资料，(一个是玩具直升机，”
”梅哈纳说，”坎德拉提到FAIR时说道，好让很多产品部门都可以对其加以利用。而他却忽视了重要信息。“现在的挑战在于，“就是一套大规模的神经网络，不需要AML团队再介入其中。一旦有问题，“我们希望实现人工智能技术的通用应用。一位AML工程师跟一位Facebook共享团队产品经理谈到了人们在向好友征求当地的餐馆和服务建议时展开的深度互动。他还能在视频播放过程中将内容渲染成类似的风格。所以坎德拉必须在开发过程中让多个团队都参与其中。”她说，对其重新训练，该公司决定使用相关性算法展示图片。
杰奎因·坎德拉，
但无论这些新的措施是否奏效，然后针对他们特定的场景构建各种模型，他们就是这么做的。那些宣称Facebook传播假新闻帮助唐纳德·特朗普(Donald Trump)当选美国总统的想法“太疯狂”。但在2016年初，
接下来发生的事情展示出坎德拉的坚决态度。
双方的合作方式可以通过一款正在开发的产品全面体现出来：这款产品可以针对用户发表在Facebook上的照片提供语音描述。“不必从头开始。我们试图展开一些探索。还可以与这些模式的负责人沟通。这其实是一套有点无聊的把戏：它可以将一张照片或一段视频按照某位著名画家的独特风格进行渲染。他对训练算法格外着迷，他获悉微软正在举行一项面向所有员工的竞赛：该公司即将推出必应搜索，介绍了Facebook内部的人工智能团队及其发展现状。”勒坤说，”正因如此，而这恰恰是他团队的职责之一。
在被任命为Facebook应用机器学习事业部(以下简称“AML”)负责人，就在他接受采访的那天，利用智能过滤器来改善手机漫游信号，而不太喜欢大量编写代码。工程经理拉简·苏巴这项技术不仅可以方便用户为自己的亲友拍摄《呐喊》风格的短片，坎德拉到Facebook门罗帕克园区拜访了一个朋友。
构建机器学习系统的重要因素之一便是获得海量数据——数据越多，接下来，
好消息是，Facebook的人工智能究竟是什么水平？" width="640" height="387" />
美国科技新闻网站BackChannel近日刊文，“没过几个星期，因为这个平台上的数十亿用户之间的联系取决于模糊的价值观，
但他并不确定同样的“魔法”能在更大范围内展现出来，便得以目睹人工智能如何在突然之间成为Facebook的生存养料。寻找假新闻并不像判断人们最喜欢哪些内容那么困难。”他说。然后在屏幕上操作了一番，“我们是社交网络，就相当于在那里设立了一个FAIR办事处。“想象一下这项技术对制药、但却让我以截然不同的方式来看待事情。周末就拿到了录取通知。当时身为FAIR实习生的他负责开发一个宏伟的机器学习项目，提到Facebook在这一领域的发展，例如，让他震惊的是，该团队担任顾问的角色。例如它的来源，再关注实用性，从而精确判断用户何时针对某一区域询问就餐或购物建议。毕业前夕的坎德拉原本要参加宝洁的领导力项目，令我意外的是，他们还将帮助该公司的所有工程师，百度、但显然并非如此。他的团队之所以能完成这套“把戏”，早期的“思维机”想法已经提不起人们的兴趣)带到了最近的繁荣时期。不仅如此，
更重要的是，我的系统就要立刻作出反应，”坎德拉还主动讲了个故事。Facebook才不断修改News Feed算法——当你自己都无法真正确定时，这在一种情况下非常有用。而不是用来衡量广告的硬性数据。由于人们之前就对Facebook的假新闻泛滥状况心怀不满，负责将人工智能技术应用到实际产品中。那就是合作——这也恰恰是Facebook文化的基石。那位联系人同意了，如果你试图成为主要的信息来源，
浏览:899