在上一篇介紹完ML技術之後，接下來打算和大家看的是ML到底可以應用在哪裡，
而Google又把ML用在了哪裡！

在進入Google把ML用在了哪些產品上之前，我們得先來討論一個問題。

ML到底可以解決什麼問題？

在課程裡，講師舉了一個例子：
當我在搜尋欄裡輸入Giant，
我應該要回答加州的巨人隊(一支棒球隊)還是紐約的巨人隊呢(一支美式足球隊)？

在傳統的搜尋引擎裡，我們可以根據地區、時間......等資料為每個搜尋關鍵字做If-else的判斷並輸出。
不過在前面的文章裡就提過了，在這個複雜多變的世界，這是不科學的。
在過去過多的If-else code使Google搜尋引擎變的笨重、不靈活。

這張圖顯示了Google在過去是如何建構出搜尋引擎。
如上述的問題，到底應該輸出加州的巨人隊，還是紐約的巨人隊呢?
Google利用了地區來做If-else判斷。(上圖)
過去Google這麼做讓搜尋引擎變得緩慢而龐大，再導入ML技術之後。
Google讓自家的搜尋引擎提高到了一個新的層次，一個專門用來搜尋排行的AI誕生了

RankBank

RankBank導入了ML技術，當然在剛開始RankBank尚在訓練的時候，表現也沒有那麼優異。
也會輸出不裡想的搜尋結果，而如何讓RankBank學習呢？
答案就是Training，而又要如何取得訓練資料的來源？

在網頁上做出反饋的連結，讓使用者做反饋

當我們對RankBank的搜尋結果不理想時，花個3秒反饋，使用者的感受就是一切！
RankBank會像其他ML model一樣對自己的內部參數自動進行調整。
而從這種循環中學習，每一次我們用RankBank進行搜尋，它就變得更聰明，變得更貼近使用者。

回到正題，ML可以解決什麼樣的問題？

任何你在制定規則解決的問題

有發現上述的例子嗎？傳統的方法我們制定規則讓搜尋引擎跟著做，
RankBank不一樣，從大量的數據，自行學習。
這就是ML可以解決的問題，任何需要規則來解決的問題。

Google把ML用在哪了？

那麼究竟Google把ML用在那些產品上了呢？
先來看一個圖表吧，Google在短短的四年內(2012~2016)利用Tensorflow所建構的model激增了4000多個。

而這些model全部都利用在Google的服務上，在Google單個Product裡，不只會用到一個model，
有可能單一個服務裡就用了數10個、甚至數百個ML model，
這告訴我們要創造出一個萬能的model是不切實際的，但是在一個Product裡多個model分工是可行的。
舉Google Translate的圖片翻譯為例。

可以看到在用圖片轉成翻譯後的文字這個功能裡，Google塞了6個ML model給他。
而不是只訓練一個龐大的model輸入圖片並輸出文字。
要訓練出這種這麼萬能的model不僅龐大，所需的訓練資料也會變多。
相反的像Google Translate把一個Function拆分成6個ML model相對來說也比較好訓練。

Google的產品裡大量運用ML技術，並且單一個Function是由多個model組成的。

下面則是Google把ML用在哪裡的例子。

• Google Photo ：利用ML技術區別人臉並分類。
• Google Inbox ：利用ML技術分析電子郵件並給使用者3個建議回復。
• Google的自駕車：
  這台車車裡裝的ML應該不少，圖片和影片沒有特別介紹，所以我也不知道裡面裝了甚麼Model~XD
• Google Adwords：利用ML分析使用者並置入最佳的廣告，使廣告效益變大。
• Youtube：
  是的，大家所謂的推薦影片"演算法"來"演算法"去的，這個演算法其實就是Machine Learning。
• Gmail：Gmail利用了ML來分析一封電子郵件是否為垃圾郵件。

當然Google還有很多Product，ML技術不僅被用在這裡而已，在Google的其他Project裡也是遍地開花。
在Google內部 End to End 的 Machine Learning 發展得非常好，
現在我們只要使用Google的服務，Google自家的ML model透過軟體的反饋會變得更聰明，
產品也將更貼近使用者。

第三天！Nice~