AML团队一直都在寻找它的神经网络技术能够跟多个其它团队的技术相结合的使用案例，以打造适用于整个Facebook平台的独特功能。“我们利用机器学习技术来打造我们的核心功能和取悦我们的用户。”AML感知团队首席工程师汤墨·雷范德（Tommer Leyvand）说。（他也曾供职于微软。）
其中一个案例是最近的一项名为社交推荐的功能。大约一年前，AML的一位工程师和Facebook分享团队的一位产品经理在讨论人们叫朋友推荐本地的美食或者服务时活跃度很高。“问题在于，你要如何将相关内容呈现给用户呢？”AML自然语言团队产品经理丽塔·阿基诺（Rita Aquino）说道。为此，该共享团队一直在尝试匹配推荐请求相关的特定用语。“鉴于你一天有10亿条帖子，那不一定很准确，不一定可扩展。”阿基诺指出。通过训练神经网络和用用户的实时行为测试模型，该团队能够检测出非常细微的语言差别，因而能够准确检测用户是在问特定区域哪里有美食，还是问该在哪里买鞋子。那会触发请求出现在动态消息的合适联系人上。接下来的一步同样由机器学习驱动，是判断出用户在提供似乎合理的推荐，在用户的动态消息中显示商家的位置或者餐馆在地图上的位置。
阿基诺称，在她进入Facebook后的一年半里，AI已经从鲜少出现在公司的产品当中，变成产品从开发之初就要引入。“人们希望他们所使用的产品变得更加智能。”她说，“团队们看到像社交推荐这样的产品，看到我们的代码，就会说‘我们要如何做这个？’你不必成为机器学习专家就能够为你的团队带来这样的技术。”以自然语言处理为例，该团队打造了一个其它团队也能够轻松接入的系统，该系统名为Deep Text。它有助于驱动Facebook每天为逾40亿帖子使用的翻译功能背后的机器学习技术。
对于图像和视频，AML团队打造了名为Lumos的机器学习视觉平台。Lumos在马诺哈尔·帕鲁里（Manohar Paluri）当初在FAIR做实习生时打造的，他将该大型机器学习视觉平台称之为Facebook的视觉皮层——处理和理解Facebook上发布的所有图像和视频的方式。在2014年的一次黑客松中，帕鲁里和同事尼基尔·约里（Nikhil Johri）一同在一天半内打造出了原型，并给非常兴奋的扎克伯格和Facebook首席运营官谢丽尔·桑德伯格（Sheryl Sandberg）展示了他们的成果。坎德拉开始在AML工作时，帕鲁里便加盟，领导计算机视觉团队，打造Lumos来帮助Facebook所有的工程师（包括Instagram、Messenger、WhatsApp、Oculus等产品的工程师）利用该视觉皮层。
“有了Lumos，公司任何人都能够使用来自这些不同的神经网络的功能，针对他们特定的场景打造模型，看看模型是否奏效。”同时在AML和FAIR任职的帕鲁里指出，“然后，他们可以派一个人修正系统，对它进行重新训练和推送，完全不需要AML团队的人参与进来。”
帕鲁里快速地给我演示了一下。他打开他笔记本上的Lumos，然后我们开始做一项样本任务：改进神经网络识别直升飞机的能力。一个布满图片的页面（不断滚动下去，共有5000张图片）出现在屏幕上，满是直升飞机和直升飞机以外物品的图片。对于这些数据集，Facebook采用的是来自旗下资产公开发布的图片。虽然我不是工程师，更不是AI专家，但点击那些错误例子来“训练直升飞机图像分类器”对我来说也并不困难。
“智能应用开发将快上百倍”
最终，这个“分类”步骤（被称为监督式学习）可能会被自动化，因为该公司在追求机器学习的圣杯：“非监督式学习”，神经网络能够自行判断那些图像里面有什么东西。帕鲁里说，公司正在取得进展。“我们的目标是，未来一年将人工标注的数量减少100倍。”
长期而言，Facebook将会为将视觉皮层和自然语言平台融合起来，以实现坎德拉所说的普遍性内容理解引擎。“毫无疑问，我们将会把它们结合起来。”帕鲁里说。
最终，Facebook希望，它用于其进展的核心原则将会通过期刊论文等形式在公司以外流传开来，使得它的普遍化做法能够更大范围地推广机器学习技术。“你能够大大加快智能应用开发速度，而不再需要花费好些年的时间。”梅汉纳指出，“想象这对于医疗、安全、交通等行业的影响吧。我想，在那些领域打造应用未来将要快上百倍以上。”