想看什幺AI都知道！这几年Google如何用人工智慧让你紧紧
在高喊人工智慧的世代， AI 的真实应用与生活体验才是许多人关注的重点，「终极版」AlphaGo Zero 让世人惊讶，不过与我们的生活似乎还相当遥远，然而，就从大家最普遍使用的影音平台 YouTube 来看，Google 藉由人工智慧系统让平台观众看到更符合自己所需影片，让过去三年 超过七成的观看时间是来自观看 YouTube 自动推荐的影片内容，进而提升用户在平台黏着度的现象 就是最佳的例证之一。
今天 Google 台湾招开第三场机器学习媒体聚会，位于美国总部的 YouTube工程师研发副总裁 Cristos Goodrow 与软体工程师 Jim McFadden 现场连线，介绍近几年 Google 机器学习在 YouTube 上的应用以及所面临到挑战， Cristos 首先从演算法向大家说明机器学习如何对观众发挥最大效用，增加使用者体验之历程。
为了让 YouTube 上观众真正能看到想要的内容，他们在近几年来在平台算法上不段革新。2011 年到 2012 演算法由「观看次数」改为以「观看时间」为基础， 他们发现到观看次数并不能真实反应出推荐内容是否吻合观众所需，因此以「观看时间」为算法重点，也就是观众对影片的黏着度有多高，以这样影片的算法「观看次数」在一天内跌了 20%，但平台观看时间却上升有史以来第二高，平均观看时长从 120 秒上升至 140 秒。
随着行动世代的到来，2014-2015 年展开第二阶段的优化，因应 60% 的观看时间发生在行动装置上，YouTube 更新了行动版介面，调整首页排版新增区块像是：再看一次 Watch it Again 。另外也在此时由 Google Brain 团队导入机器学习技术，增强个人化推荐机制。
随着内容创作者以及平台观众来越多，从 2016 年至今 YouTube 不断进行更新为了更有效给使用者最佳体验，光是一年内就推出超过 190 个更新，以确保系统随时能给观众最合适与吻合的新内容。
藉由人工智慧优化算法带来的成效为何呢？ Cristos 表示，目前平台上 70% 用户观看时间来自 YouTube 之 自动推荐，此外， 近三年来观众浏览影片来源从 YouTube 平台 首页 上自动推荐 成长超过 20 倍，目前在全球每日各 地区推荐超过 20 亿组影片。
软体工程师 Jim McFadden 接着分享了他们在 面对优化影片推荐所遇到的问题。首先， 在内容创作者不段更新的影音内容， 平台上 每分钟 有超过 500 小时影片上传至 YouTube，负载庞大的资料，训练资料 含大量杂讯，而这些问题 Google 藉由 TensorFlow 学习模型以进行更多数据分析，TensorFlow 系统 为大规模分布式训练的深层网络架构，提供一个灵活的框架。
为了让系统能针对不同使用者推送合适影片内容，目前 YouTube 使用两个神经网络结合之推荐模型，候选生成模型以及排名模型这两个神经网络的推荐系统。
首先为候选生成影片模型，从数百万个影音资料中，把多种因素考虑进去，像是观看历史纪录、搜寻历史和年龄等等，缩限到数百个资料子集，再藉由第二阶段的排名模型，以使用者语言、近期观看纪录、使用者和该影片过往连结、地理位置等特徵， 最终找到数十个最贴近观众的影片内容。
最后，YouTube 大中华区与纽奥技术管理负责人叶佳威分享 YouTube 如何透过机器学习辨识不当暴力影音内容，此项应用来自近期 Google 发表 藉由电脑视觉方式持续学习人类在影片中呈现的 原子视觉化动作 AVA，AVA 建构于原子视觉动作资料库能够为一段长影片中的每个人物提供数个行为动作标籤。目前 AVA 已经分析了超过 57 万组影音片段, 生成 21 万个动作标籤, 总计标注了 9 万 6000 组人类的动作。
在 YouTube 的运作机制，可为影片中的人物动作媒合标籤，进行行为注解，为每个 3 秒影音
片段框中央的人类动作行为，从已经定义好的 80 组由时间- 空间定位的原子动作中选择合适的动作进行标籤 ，例如是走路、踢或是握手等动作，再根据标籤为影片中的行为进行注解。
透过学习的来自 YouTube 的海量影片，可以精準标注影片中的多人动作，最终学会人类互动行为。先前 INSIDE 也有 AVA相关报导，有兴趣的读者可选 连结 观看。
Google 表示目前 AVA 仍在初步研究阶未来将积极投入研究， 加速 AVA 发展，除了协助机器学习在影片人类行为上之认知，未来能运用在更多层面，降低原先分析影片所需花费的人力。
未来不论是在优化算法让用户更顺利的观看到平台自动推荐的影片，更会投入更多人工智慧技术应用，让系统更能「看」懂 YouTube 影片内容，进而防堵平台上非法暴力的影片，Google 将持续透过人工智慧实现更良好使用者体验 。