并且 ， 我们还得努力应对越来越常见的火灾和洪水（像数百万加州人一样不得不适应定期的“火灾季节”） 。 去年 ， 我们发布了一份由卫星数据支持的火灾边界地图 ， 帮助美国人轻松地在自己设备上了解火灾的大致规模和位置 。 我们还将谷歌上所有的火灾信息进行整合 ， 并在全球范围内进行推出 。 我们也一直在应用图形优化算法来帮助优化火灾疏散路线 ， 以帮助人们安全逃离快速推进的火灾 。 2021 年 ， 我们的洪水预报计划的预警系统覆盖范围扩大到 3.6 亿人 ， 是前一年的三倍以上 ， 并向面临洪灾风险人群的移动设备直接发送了 1.15 亿多条通知 。 我们还首次在现实世界系统中部署了基于 LSTM（长短时记忆网络）的预测模型和 Manifold 模型 ， 并分享了系统中所有组件的详细信息 。

文章图片
图22/25
图丨谷歌地图中的火灾图在紧急情况下为人们提供关键信息 。
我们也在努力完善可持续发展计划 。 谷歌在 2007 年成为第一家实现碳中和的大型公司 ， 也在 2017 年成为第一家使用 100% 可再生能源的公司 。 我们运营着行业中最清洁的全球云 ， 也是世界上最大的可再生能源企业采购商 。 在 2020 年 ， 我们成为第一家承诺在全球所有数据中心和校园中全天候运行无碳能源的大型公司 。 这比将能源使用与可再生能源相匹配的传统方法更具挑战性 ， 但我们希望能在 2030 年前完成这一目标 。 目前 ， 机器学习模型训练的碳排放是该领域关注的主要问题 ， 而在模型架构、数据中心和机器学习加速器方面做出正确的选择 ， 可以减少约 100-1000 倍的碳足迹训练量 。
趋势5：对机器学习有更深入和更广泛的理解
随着机器学习在技术产品和社会中的应用越来越广泛 ， 为了确保它被公平和公正地应用 ， 我们必须继续开发新技术 ， 以确保它惠及更多人 。 这是我们“负责任人工智能和以人为本技术”（Responsible AI and Human-Centered Technology）研究小组的主要研究重点 ， 也是我们对各种责任相关主题进行研究的领域 。
基于用户在线产品活动的推荐系统是研究的重点领域 。 由于这些推荐系统通常由多个不同部分组成 ， 理解它们的公平性往往需要深入了解单个部分以及各个部分组合在一起时的行为 。 最近的研究工作揭示了提高单个部分和整个推荐系统的公平性的方法 ， 有助于更好地理解这些关系 。 此外 ， 当从用户的隐藏活动中学习时 ， 推荐系统以一种无偏差的方式进行学习 。 因为从以前用户所展示的项目中直接学习的方法中会表现出很明显的偏差 。 并且如果不对这种偏差进行纠正 ， 推荐产品被展示的位置越显眼 ， 它们就越容易被频繁推荐给未来的用户 。
与推荐系统一样 ， 上下文环境在机器翻译中也很重要 。 因为大多数机器翻译系统都是独立地翻译单个句子 ， 并没有额外的上下文环境 。 在这种情况下 ， 它们往往会加强与性别、年龄或其他领域有关的偏见 。 为此 ， 我们长期以来一直在研究如何减少翻译系统中的性别偏见 。 为了帮助翻译界研究 ， 去年我们基于维基百科传记的翻译来研究翻译中的性别偏见 ， 并发布了一个数据集 。
部署机器学习模型的另一个常见问题是分布转移：如果训练模型的数据统计分布与输入模型的数据统计分布不一致 ， 那么有时模型的行为是不可预测的 。 最近的研究中 ， 我们使用 Deep Bootstrap 框架来比较现实世界和“理想世界”（ideal world）的区别 ， 前者的训练数据是有限的 ， 而后者拥有无限的数据 。 更好地理解模型在这两种情况下（真实与理想）的行为 ， 可以帮助我们开发出更适用于新环境的模型 ， 并减少在固定训练数据集上的偏差 。