Google科學家研究的新演算法，可以自動烘焙美味餅乾

編者按：本文來自微信公眾號「機械雞」（ID：jixieji2017）。

Google的計算機科學家創建了一個AI來烘焙美味的餅乾。這個領先的機器學習演算法，被稱為Google Vizier。為了測試它，研究人員參考了一種常規的指標：食堂的餅乾標準。

這個演算法非常強大，但它們還不完全成熟，需要通過有效的方式，手動進行微調。

演算法需要詳細設置「超參數」：預先設定的適應於手頭問題的參數。這不容易，因為機器學習演算法是「黑匣子」：即使你已經做到了，你也不能完全確定演算法如何獲得最佳的結果。一個常見的調整方法為 「梯度下降」：基本上，你需要通過梯度下降優化參數，讓演算法運行。

Google Vizier通過自動優化機器學習模型的超參數，縮短了繁瑣的手動任務。據Google研究人員介紹，該演算法已經在整個公司內使用。

他們在本周發布的一篇論文（文末鏈接）中寫道，「 Google研究人員」使用Vizier執行超參數調優研究，並進行了數百萬次試驗研究...如果沒有有效的黑盒優化，該研究項目是不可能的」。

Google Vizier中使用的另一項技術是「遷移學習」，主要是從經驗中學習。使用先前研究的數據作為指導，Vizier演算法可以為新演算法提出最佳超參數。該方法進行了大量研究被證明是最有效的，即使當數據相對較少時也運行良好。

除了幫助研究之外，Google Vizier還在公司內部應用，研究人員表示：「這個演算法對許多Google產品的開發模式表現出顯著的改進，為十多億人提供了可觀的更好的用戶體驗」。

這些改進包括對Google網站功能的自動化A / B測試，包括字體、顏色和搜索結果的優化。例如，使用Google地圖時，演算法可用於優化特定搜索的相關性與用戶距離之間的權衡。

Google Vizier也可以用於解決凌亂的物理世界中的黑盒優化問題。

為了測試他們的演算法，研究人員向在Google食堂製作餅乾的承包商提供了餅乾食譜。他們對結果進行了口味測試，並追蹤了廚師為提高口味所做的任何改變。食譜是另一種演算法，具有類似的黑盒子屬性（因為你根本不知道為什麼你的烤餅出錯了）。

這項測試允許研究人員嘗試遷移學習的方法：他們寫道：「在開始大規模烘烤之前，我們在較小規模的過程中製作了一些烘焙食譜。」 「這提供了有用的數據，我們可以從烘焙中大規模遷移學習。

然而偶爾也會略有錯誤——例如，當醒面時間過久時。研究人員說，經過幾輪測試之後，餅乾更好吃了。

麵包、壽司、餡餅紛紛表示，想要被這個演算法烘焙...