Vad är lärande? Allt du behöver veta

Noll

Maskininlärning är möjligt för datorer att ta itu med uppgifter som vi har, tills nu, endast utförs av människor.

Vad är skillnaden mellan AI och maskininlärning?

Machine learning kan ha haft en enorm framgång för sent, men det är bara en metod för att åstadkomma artificiell intelligens.

Vid födelsen av området AI på 1950-talet, AI definieras som en maskin som kan utföra en uppgift som vanligtvis skulle kräva mänsklig intelligens.

AI-system kommer i allmänhet att visa att åtminstone några av följande egenskaper: planering, lärande, tänkande, problemlösning, kunskapsrepresentation, perception, rörelse och manipulation och, i mindre utsträckning, social intelligens och kreativitet.

Vid sidan av maskinen lärande, finns det flera andra metoder som används för att bygga AI-system, inklusive evolutionära algoritmer, där algoritmer genomgå slumpmässiga mutationer och kombinationer mellan generationer i ett försök att “utvecklas” optimala lösningar, och expertsystem, där datorerna är programmerade med regler som gör det möjligt för dem att efterlikna beteendet hos en mänsklig expert på ett specifikt område, till exempel en autopilot system flyga ett plan.

Vilka är de viktigaste typerna av lärande?

Maskininlärning är i allmänhet uppdelat i två huvudsakliga kategorier: övervakad och oövervakad inlärning.

Vad är övervakad inlärning?

Detta tillvägagångssätt i grund och botten lär maskiner med gott exempel.

Under utbildningen för övervakad inlärning, system utsätts för stora mängder av märkta data, exempelvis bilder av handskrivna siffror kommenterade att ange vilka nummer de motsvarar. Få tillräckligt med exempel, en övervakad-learning system skulle lära sig att känna igen de kluster av pixlar och former i samband med varje nummer och så småningom kunna känna igen handskriven nummer, kan beräknas på ett tillförlitligt sätt skilja mellan numren 9 och 4 eller 6 och 8.

Men, utbildning dessa system normalt kräver enorma mängder av märkta data, med vissa system behöver utsättas för miljontals exempel att behärska en uppgift.

Som ett resultat, de data som används för att utbilda dessa system kan vara stora, med Googles Öppna Bilder Dataset med cirka nio miljoner bilder, sin märkt video repository YouTube-8M länka till sju miljoner märkt videor och ImageNet, en av de tidiga databaser av det här slaget, med mer än 14 miljoner kategoriseras bilder. Storleken på utbildning datamängder fortsätter att växa, med Facebook nyligen meddelade det hade sammanställt 3,5 miljarder bilder tillgängliga för allmänheten på Instagram, med hjälp av hashtags som är kopplade till varje bild som etiketter. Med hjälp av en miljard av dessa bilder för att träna en bild-system för erkännande gav rekordhöga nivåer av noggrannhet — av 85,4 procent-på ImageNet riktmärke.

Den mödosamma märkning datamängder som används i utbildningen är ofta utförs med hjälp av crowdworking tjänster, såsom Amazon Mechanical Turk, som ger tillgång till en stor pool av billig arbetskraft spridda över hela världen. Till exempel, ImageNet var tillsammans i över två år med nästan 50 000 människor, främst rekryterade via Amazon Mechanical Turk. Men, Facebook strategi för användning av allmänt tillgängliga uppgifter att träna system kan ge ett alternativt sätt att träna system med miljarder-stark datamängder utan omkostnader manuell märkning.

Hur machine learning kan användas för att fånga en hacker (TechRepublic) Forskare byggt denna Raspberry Pi-drivna, 3D-utskrivna robot-lab för att studera flugor

Vad är oövervakad inlärning?

I motsats, oövervakad inlärning uppgifter algoritmer med att identifiera mönster i data, försöker hitta likheter att dela upp data i kategorier.

Ett exempel kan vara att Airbnb kluster tillsammans husen finns att hyra per kvarter, eller i Google Nyheter att samla berättelser om liknande ämnen varje dag.

Algoritmen är inte avsedd att peka ut vissa typer av uppgifter, det ser helt enkelt för data som kan delas av dess likheter eller avvikelser som sticker ut.

Vad är semi-övervakad inlärning?

Vikten av enorma mängder av märkta uppgifterna för utbildning machine-learning system kan minska över tid, på grund av ökningen av semi-övervakad inlärning.

Som namnet antyder, strategi blandar övervakad och oövervakad inlärning. Tekniken bygger på att man använder en liten mängd av märkta data och en stor mängd av omärkta uppgifter att träna system. Angivna data används för att delvis träna en machine-learning model, och sedan att delvis utbildade modell används för att märka den omärkta data, en process som kallas pseudo-märkning. Modellen är utbildade på den resulterande blandningen av de märkta och pseudo-märkta uppgifterna.

Lönsamheten för semi-övervakad inlärning har fått draghjälp nyligen av en Generativ Kontradiktoriska Nätverk ( GANs), maskin-system för lärande, som kan använda märkt data för att generera helt nya uppgifter som till exempel att skapa nya bilder av Pokemon från befintliga bilder, vilket i sin tur kan användas för att hjälpa till att utbilda en machine-learning-modellen.

Var semi-övervakad inlärning för att bli så effektiv som övervakas lärande, då tillgång till enorma mängder datorkraft kan hamna mer viktigt för framgångsrikt utbildning maskin-system för lärande än tillgång till stora, märkta datamängder.

Vad är inlärning?

Ett sätt att förstå inlärning är att fundera över hur någon kan lära sig att spela en gammal skola dator spelet för första gången, när de inte är bekant med reglerna eller hur att styra spelet. Medan de kan vara en komplett nybörjare, så småningom, genom att titta på förhållandet mellan de knappar de trycker på, vad som händer på skärmen och sina poäng, deras resultat kommer att bli bättre och bättre.

Ett exempel på inlärning är Google DeepMind Djupa Q-nätverket, som har blivit människa i ett brett utbud av vintage tv-spel. Systemet matas pixlar från varje spel och bestämmer olika information om tillståndet i spelet, såsom avståndet mellan objekt på skärmen. Därefter anser hur spelet staten och de åtgärder som den utför i spelet hänför sig till den värdering som det uppnår.

Under processen av många cykler av att spela spelet, så småningom systemet bygger en modell över vilka åtgärder som kommer att maximera poängen i vilken omständighet, till exempel i fallet med tv-spelet Breakout, där paddeln bör flyttas till för att fånga bollen.

Hur fungerar övervakade maskinen lärande i arbete?

Allt börjar med en utbildning machine-learning model, en matematisk funktion som kan upprepade gånger för att ändra hur det fungerar tills man kan göra korrekta förutsägelser när de ges nya uppgifter.

Innan utbildningen börjar, måste du först välja vilken data som ska samlas och bestämma vilka funktioner av data är viktigt.

Ett mycket förenklat exempel på vilka data som finns är är given i denna explainer av Google, där en lärande modell är utbildade för att känna igen skillnaden mellan öl och vin, som bygger på två funktioner, drycker färg och sina alkoholhaltiga volym (ABV).

Varje drink är märkt som en öl eller en flaska vin, och då relevanta data samlas in med hjälp av en spektrometer för att mäta sin färg och hydrometer för att mäta alkoholhalten.

En viktig punkt att notera är att data måste vara balanserad, i detta fall för att ha ett ungefär lika stort antal exempel på öl och vin.

De data som samlats in delas sedan in i en större andel för utbildning, säger att cirka 70 procent, och en mindre andel för utvärdering, säger resterande 30 procent. Denna utvärdering av data kan de utbildade modellen testas för att se hur bra är det troligt att prestera på verkliga data.

Innan träningen sätter igång är det oftast också vara en data-beredningen, under vilka processer som deduplicering, normalisering och korrigering av fel kommer att utföras.

Nästa steg blir att välja en lämplig maskin-learning-modellen från det breda utbud som finns. Alla har styrkor och svagheter beroende på vilken typ av data, till exempel vissa är lämpade för att hantera bilder, lite text, och lite till rent numeriska data.

Hur fungerar handledd machine-learning utbildning arbete?

I grund och botten, utbildning innebär machine-learning-modell automatiskt justera hur det fungerar tills man kan göra korrekta förutsägelser från data i Google exempel på korrekt märkning i en dryck som öl eller vin när modellen ges en drink färg och ABV.

Ett bra sätt att förklara utbildningen är att överväga ett exempel med en enkel maskin-learning-modellen, som kallas linjär regression med lutning härkomst. I följande exempel är den modell som används för att uppskatta hur många glass som kommer att säljas baseras på utetemperaturen.

Tänk dig att ta tidigare data visar glass försäljning och utomhustemperatur, och bestämmer sig för att data mot varandra på en scatter diagram — i grund och botten att skapa en spridning av diskreta punkter.

Att förutsäga hur många glass som kommer att säljas i framtiden, baserat på utetemperaturen, kan du rita en linje som passerar genom mitten av alla dessa punkter, som liknar bilden nedan.

Bilden: Nick Heath / ZDNet

När detta är gjort, glass försäljning kan förutsägas vid alla temperaturer genom att hitta den punkt vid vilken linje går genom en viss temperatur och avläsning av motsvarande försäljning på den punkten.

Att föra det tillbaka till träningen en machine-learning-modellen, i detta fall utbildning en linjär regression modell skulle innebära att justera vertikal position och lutning på linjen tills den ligger i mitten av alla punkter på scatter diagram.

På varje steg i utbildningen, vertikalt avstånd mellan var och en av dessa punkter från den linje som mäts. Om en förändring i lutning eller position på raden resultat i avståndet till dessa punkter ökar, då lutning eller position på raden ändras i motsatt riktning, och en ny mätning görs.

På detta sätt, via många små justeringar till backen och placeringen av den linje, den linje som kommer hålla flytta tills den till slut stannar i ett läge som är en bra passform för distribution av alla dessa punkter, som kan ses i videon nedan. När denna utbildning är klar, är den linje som kan användas för att göra korrekta prognoser för hur temperaturen kommer att påverka glass försäljning, och maskinen-learning-modellen kan sägas ha varit utbildade.

Medan utbildning för mer komplexa maskin-lärande modeller såsom neurala nätverk skiljer sig i flera avseenden, det är liknande i att det använder sig även av en “lutning härkomst” – metoden, där värdet i “vikter” att ändra indata vid upprepade tillfällen fixade tills produktionen värden som produceras av den modell som finns så nära som möjligt till vad som är önskat.

Att behärska artificiell intelligens, glöm inte människor och process för Hur Adobe flyttar AI, maskininlärning forskning för att forskningsportföljen

Hur man ska värdera machine-learning modeller?

När utbildning av modellen är klar, modell utvärderas med hjälp av de återstående data som inte används under utbildning, att hjälpa till att bedöma dess verkliga prestanda.

För att ytterligare förbättra prestanda, utbildning parametrar kan ställas in. Ett exempel kan vara att ändra omfattningen av den “vikter” ändras vid varje steg i utbildningen.

Vad är neurala nätverk och hur är de utbildade?

En mycket viktig grupp av algoritmer för både övervakad och oövervakad maskininlärning är neurala nätverk. Dessa ligger bakom mycket av maskininlärning, och samtidigt enkla modeller som linjär regression används kan användas för att göra förutsägelser baserade på ett litet antal uppgifter funktioner i Google exempel med öl och vin, neurala nätverk är användbara när man arbetar med stora mängder data med många funktioner.

Neurala nätverk, vars struktur är löst inspirerad av att hjärnan är sammankopplade lager av algoritmer, neuroner, som livnär sig av data till varandra, med utgången av föregående lager är ingången av efterföljande lager.

Varje lager kan ses som att känna igen olika funktioner i de totala uppgifterna. Till exempel, tänk till exempel på att använda maskinen för att lära känna handskrivna siffror mellan 0 och 9. Det första lagret i neurala nätverk kan mäta färgen på enskilda pixlar i bilden, det andra skiktet kan upptäcka former, såsom linjer och kurvor, nästa lager kan se ut för större delar av den skriftliga nummer — till exempel, den rundade slinga på basen av nummer 6. Detta fortsätter hela vägen fram till sista lagret, som kommer ut sannolikheten att en viss hand siffra är en siffra mellan 0 och 9.

Se mer: Särskild rapport: Hur att genomföra AI och maskininlärning (gratis PDF)

Nätverket lär sig hur man känner igen varje komponent av numren under utbildningen, genom att gradvis anpassa vikten av att data som rinner mellan lager av nätet. Detta är möjligt på grund av att varje länk mellan lagren har ett fäste vikt, vars värde kan ökas eller minskas för att ändra länkens betydelse. I slutet av varje träning cykel systemet kommer att undersöka om det neurala nätverket är slutresultatet är att komma närmare eller längre bort från vad som är önskvärt-till exempel är det nätverk blir bättre eller sämre på att identifiera ett handskrivet nummer 6. För att stänga gapet mellan den faktiska produktionen och önskat resultat, kommer systemet att sedan arbeta baklänges genom neurala nätverk, ändra den vikt som är förenad med alla dessa länkar mellan lager, samt ett värde som kallas fördomar. Denna process kallas back-propagation.

Så småningom denna process kommer att bosätta sig på värden för dessa vikter och fördomar som gör att nätverket för att på ett tillförlitligt sätt utföra en viss uppgift, till exempel att känna igen handskriven nummer, och nätverket kan sägas ha “lärt sig” hur man utför en specifik uppgift

En illustration av den struktur av neurala nätverk och hur utbildningen fungerar.

Bild: Nvidia

Vad är djupt lärande och vad är djupt neurala nätverk?

En delmängd av maskininlärning är djupt lärande, där neurala nätverk utvidgas till vidsträckta nätverk med ett stort antal lager som är tränade att använda stora mängder data. Det är dessa djupa neurala nätverk som har underblåst den nuvarande steg framåt i förmåga av datorer för att utföra uppgiften som taligenkänning och datorseende.

Det finns olika typer av neurala nätverk, med olika styrkor och svagheter. Återkommande neurala nätverk är en typ av neurala nätet som passar särskilt bra till språkbehandling och taligenkänning, medan convolutional neurala nätverk är mer vanligt förekommande i bild erkännande. Utformningen av neurala nätverk för att utvecklas också, med forskare nyligen utforma en mer effektiv design för en effektiv typ av djup neurala nätverk som kallas lång-och kortsiktiga minne eller LSTM, så att den kan fungera tillräckligt snabbt för att användas i on-demand-system som Google Translate.

AI teknik av evolutionära algoritmer används även för att optimera neurala nätverk, genom en process som kallas neuroevolution. Tillvägagångssättet var nyligen utställningsmonter med Uber AI Labs, som släpptes papper på att med hjälp av genetiska algoritmer för att träna djup neurala nätverk för inlärning problem.

Djupt Lärande: Det intresse som är mer än latent Dell EMC-high-performance computing buntar som syftar till att AI, djupt lärande

Varför är lärande så framgångsrik?

Medan maskinen lärande är inte en ny teknik, intresse i området har exploderat de senaste åren.

Detta uppsving kommer på baksidan av en rad genombrott, med djupa lära sig nya rekord för riktigheten i områden som tal och språk erkännande och datorseende.

Vad som gjorde framgångarna möjliga är främst två faktorer, den ena är att stora mängder bilder, tal, video och text som är tillgänglig för forskare ser att träna machine-learning system.

Men ännu viktigare är att det finns stora mängder av parallell-processorkraft, artighet av modern graphics processing unit (Gpu), som kan kopplas samman i kluster för att bilda machine-learning kraftpaket.

Idag har alla som har en internet-anslutning kan använda dessa kluster för att träna machine-learning modeller, via moln-tjänster som tillhandahålls av företag som Amazon, Google och Microsoft.

Som användning av maskinen-learning har tagit fart, så företag är nu att skapa specialiserad hårdvara anpassad för att springa och träna machine-learning modeller. Ett exempel på en av dessa egna marker är Googles Tensor Processing Unit (TPU), den senaste versionen av vilket påskyndar den takt som maskinen-lärande modeller som byggts upp med hjälp av Googles TensorFlow programvara bibliotek kan vi dra slutsatsen att information från data, samt i vilken takt de kan tränas.

Dessa marker är inte bara används för att träna modeller för Google DeepMind och Google Hjärnan, men också de modeller som ligger till grund för Google Translate och bilden erkännande i Google Foto, samt tjänster som tillåter allmänheten att bygga upp modeller med hjälp av Googles TensorFlow Forskning Moln. Den andra generationen av dessa marker avtäcktes vid Google i/O-konferensen i Maj förra året, med en uppsjö av dessa nya TPUs kunna träna ett Google-machine-learning-modell som används för översättning i halva den tid det skulle ta ett utbud av top-end Gpu, och nyligen meddelade den tredje generationens TPUs kunna påskynda utbildning och inferens ytterligare.

Som hårdvara blir allt mer specialiserade och machine-learning programvara ramar är raffinerade, att det blir allt vanligare för ML uppgifter som ska utföras på konsument-kvalitet telefoner och datorer, snarare än i moln datacenter. Sommaren 2018, Google tog ett steg mot att kunna erbjuda samma kvalitet på automatiserad översättning på telefoner som är offline som är tillgängliga online, genom att rulla ut lokala neurala maskinöversättning för 59 språk till Google Translate app för iOS och Android.

De stora uppgifter som vetenskap hoppas: maskininlärning kan bota din fruktansvärda uppgifter hygien Machine learning as a service: Kan sekretess läras ut? Fem sätt ditt företag kan komma igång att genomföra AI och ML Varför AI och lärande måste vara en del av din digitala omvandling planer

Vad är AlphaGo?

Kanske den mest kända demonstrationen av effekten av maskin-system för lärande var 2016 triumf av Google DeepMind AlphaGo AI över en människa grandmaster i Går, en bedrift som inte förväntas förrän 2026. Go är ett gammalt Kinesiskt spel vars komplexitet bamboozled datorer i årtionden. Go har ca 200 flyttar per tur, jämfört med omkring 20 i Schack. Under loppet av spelet Go, det finns så många möjliga drag att söka igenom dem i förväg för att identifiera det bästa spelet är alltför dyrt från en datoriserad synvinkel. Istället AlphaGo var utbildad hur man spelar spelet genom att ta flyttar spelas av mänskliga experter på 30 miljoner Go spel och mata in dem i djup-inlärning neurala nätverk.

Utbildning djupt lärande nätverk som behövs kan ta mycket lång tid, kräver stora mängder av data för att intas och upprepas över som systemet gradvis förfinar sin modell för att uppnå det bästa resultatet.

Men mer nyligen Google raffinerade utbildningen med AlphaGo Noll, ett system som spelade “helt random” spel mot sig själv, och då lärt oss av resultaten. Vid förra årets prestigefyllda Neurala System för Databehandling (NVP) konferens, Google DeepMind VD Demis Hassabis visade AlphaGo hade också behärskar spel av chess och shogi.

DeepMind fortsätta att bryta ny mark i området maskininlärning. I juli 2018, DeepMind rapporterade att dess AI-agenter hade lärt sig hur man spelar 1999 multiplayer 3D first person shooter Quake III Arena, tillräckligt bra för att slå lag av spelarna. Dessa agenter har lärt sig hur man ska spela spelet med hjälp av någon mer information än den mänskliga spelare med deras enda ingång som pixlar på skärmen som de provat ut slumpmässigt åtgärder i spelet, och feedback på sina prestationer under varje spel.

Mer nyligen DeepMind visat en AI-agent övermänsklig prestanda över flera klassiska Atari-spel, en förbättring jämfört med tidigare synsätt där varje AI agent kan bara prestera bra på ett enda spel. DeepMind forskare säger dessa allmänna färdigheter kommer att vara viktigt om AI-forskningen är att kunna hantera mer komplexa verkliga domäner.

Googles AlphaGo går i pension efter att ha slagit Kinesiska Gå champion DeepMind AlphaGo Noll lär sig på egen hand utan ingripande meatbag

Vad är lärande?

Machine learning system används för alla runt omkring oss, och är en hörnsten i det moderna internet.

Maskin-learning system används för att rekommendera vilken produkt du kanske vill köpa nästa på Amazon eller en video vill du kanske vill titta på Netflix.

Varje Google-sökning använder flera maskin-system för lärande, att förstå språket i din sökning genom att anpassa dina resultat, så fiske entusiaster att söka på “bas” är inte överösta med resultat om gitarrer. På samma sätt Gmail för skräppost och phishing-system för erkännande använda maskin-lärande utbildad modeller för att behålla din inkorg klara av oseriösa meddelanden.

En av de mest uppenbara demonstrationer av kraften i maskinen lärande är virtuella assistenter, som Apples Siri, Amazon Alexa, Google Assistent, och Microsoft Cortana.

Varje förlitar sig på maskinen lärande för att stödja deras röst erkännande och förmåga att förstå naturligt språk, liksom att behöva en enorm corpus för att dra på för att svara på frågor.

Men utöver dessa mycket synliga manifestationer av maskininlärning, system börjar att hitta en användning i nästan alla branscher. Dessa utnyttjanden är: computer vision för förarlösa bilar, drönare och leverans av robotar, tal och språk erkännande och syntes för chatbots och service av robotar, ansiktsigenkänning för övervakning i länder som Kina, för att hjälpa radiologer att plocka ut tumörer i x-strålar, att hjälpa forskare att upptäcka genetiska sekvenser i samband med sjukdomar och identifiera molekyler som skulle kunna leda till ett mer effektivt läkemedel i hälso-och sjukvården, vilket möjliggör förebyggande underhåll på den infrastruktur genom att analysera IoT-sensor data, ligger till grund datorn vision som gör cashierless Amazon Gå stormarknad möjligt, erbjuder någorlunda korrekt transkription och översättning av tal för affärsmöten — listan går på och.

Djup-inlärning så småningom skulle kunna bana väg för robotar som kan lära sig direkt från människor, med forskare från Nvidia nyligen att skapa en djup-learning system som är utformat för att lära en robot att hur man ska utföra en uppgift, helt enkelt genom att observera att jobbet utförs av en människa.

Start använder AI och maskininlärning för real-time bakgrund kontroller Tre av fyra anser att AI-program är nästa megatrend Hur allestädes närvarande AI ska genomsyra allt vi gör, utan vår vetskap

Maskin-system för lärande mål?

Som du förväntar dig, valfrihet och bredd av data som används för att utbilda system kommer att påverka de uppgifter som de är lämpade för.

Till exempel, i och med 2016 Rachael Tatman, National Science Foundation Examen som forskare inom Lingvistik Institutionen vid University of Washington, som finns att Googles taligenkänning systemet fungerat bättre för manliga röster än de kvinnliga och kära när automatisk textning ett urval av YouTube-videor, ett resultat hon tillskrivs obalanserad training set ” med en övervikt av manliga talare.

Som maskin-system för lärande flytta in i nya områden, såsom medhjälp medicinska diagnoser, möjlighet att systemen är skev mot att kunna erbjuda en bättre service eller rättvisare behandling till särskilda grupper av människor kommer sannolikt att bli mer av ett problem.

Vilka är de bästa machine-learning-kurser?

En starkt rekommenderad kurs för nybörjare att lära sig grunderna i maskininlärning är detta gratis Stanford University och Coursera föreläsning serien av AI expert och Google Hjärnan grundare Andrew Ng.

En annan högt rankade gratis online-kurs, beröm för både den breda täckningen och kvaliteten på sin undervisning, är detta EdX och Columbia University introduktion till lärande, även om eleverna inte nämner det krävs en gedigen kunskap i matematik upp till universitetsnivå.

Hur att komma igång med maskininlärning?

Tekniker som ska göra det möjligt för utvecklare att lära sig om lärande blir allt vanligare, och från AWS’ djup-inlärning-aktiverad kamera DeepLens till Google ‘ s Raspberry Pi-drivna AIY-kit.

Vilka tjänster som är tillgängliga för maskininlärning?

Alla stora plattformar moln — Amazon Web Services, Microsoft Azure och Google Cloud Platform — ge tillgång till den maskinvara som behövs för att träna och köra maskin-lärande modeller, med att låta Google Cloud Platform-användare testa sin Tensor Bearbetning Enheter-egna marker vars design är optimerad för utbildning och kör maskinen-lärande modeller.

Detta cloud-baserad infrastruktur har lagrar data som behövs för att hålla stora mängder data utbildning, tjänster för att förbereda sig att data för analys och visualisering verktyg för att visa resultat helt klart.

Nyare tjänster även effektivisera skapandet av egen maskin-lärande modeller, med Google nyligen avslöja en tjänst som automatiserar skapandet av AI modeller, som kallas Cloud AutoML. Det här dra-och-släpp-service bygger anpassade image-erkännande modeller och kräver att användaren har ingen maskin-lärande, kompetens, som liknar Microsofts Azure Machine Learning Studio. På ett liknande sätt, Amazon presenterade nyligen nya AWS erbjudanden som syftar till att påskynda processen för att träna upp machine-learning modeller.

För data forskare, Google Cloud ML Motorn är en managed machine-learning-tjänst som möjliggör för användare att träna, distribuera och exportera anpassade machine-learning modeller baserade antingen på Googles öppen källkod-TensorFlow ML ram eller öppna neurala nätverk ramen Keras, och som nu kan användas med Python-biblioteket sci-kit lära sig och XGBoost.

Databas administratörer utan en bakgrund inom data-vetenskap kan använda Googles BigQueryML, en beta-tjänst som möjliggör för administratörer att ringa utbildad maskin-lärande modeller med hjälp av SQL-kommandon, så förutsägelser göras i databasen, som är enklare än att exportera data till en separat machine learning analytics och miljö.

För företag som inte vill bygga en egen maskin-lärande modeller, molnet plattformar erbjuder även AI-drivna, on-demand-tjänster-till exempel tal, syn och språk erkännande. Microsoft Azure står för bredden av on-demand-tjänster på erbjudande, tätt följt av Google Cloud Platform och sedan AWS.

Under tiden IBM, vid sidan av sina mer allmänna on-demand-utbud, är också att försöka sälja sektorsspecifika AI tjänster som riktar sig till allt från sjukvård till detaljhandeln, gruppera dessa erbjudanden tillsammans under sitt IBM Watson paraply.

Tidigt på 2018, Google utökat sin maskin-lärande drivs tjänster till en värld av reklam, släppa en svit av verktyg för att göra mer effektiva annonser, både digitala och fysiska.

Samtidigt som Apple inte har samma rykte för banbrytande taligenkänning, behandling av naturligt språk och datorseende som Google och Amazon, det är att investera i att förbättra sin AI-tjänster, nyligen sätta Googles tidigare vd med ansvar för lärande och AI-strategi för hela företaget, inklusive utveckling av sin assistent Siri och sin on-demand-maskin lärande service Kärna ML.

I September 2018, NVIDIA lanserat en kombination av hårdvara och mjukvara plattform utformad för att installeras i datacenter som kan påskynda den kurs till vilken utbildad maskin-lärande modeller kan genomföra röst -, video-och bild erkännande, liksom andra ML-relaterade tjänster.

NVIDIA TensorRT Hyperscale Inferens-Plattformen använder sig av NVIDIA Tesla T4 Grafikprocessorer, vilket ger upp till 40x utförandet av Processorer när du använder maskin-lärande modeller för att dra slutsatser från data, och TensorRT programvara plattformen, som är utformad för att optimera resultatet av utbildade neurala nätverk.

Amazon Web Services ger mer data och ML tjänster, men när är nog nog? Microsoft Betonar Val, Från SQL Server 2017 till Azure maskininlärning Splunk uppdateringar flaggskepp sviter med maskininlärning, AI förskott

Vilken programvara bibliotek är tillgängliga för att komma igång med maskininlärning?

Det finns ett brett utbud av programvara ramar för att komma igång med träning och kör maskinen-lärande modeller, vanligen för programmering språk som Python, R, C++, Java och MATLAB.

Kända exempel är Googles TensorFlow, bibliotek med öppen källkod Keras, Python bibliotek Scikit-lär dig, djupt lärande ram CAFFE och maskinen-lärande bibliotek Ficklampa.

Ytterligare läsning

Särskild rapport: att Utnyttja IoT i företaget (gratis PDF) (TechRepublic) maskininlärning och Internet of Things lärande: En lathund (TechRepublic) Analytics-2018: AI, sakernas internet, och multi-cloud, eller byst 5 tips för att övervinna maskininlärning antagande hinder i företaget (TechRepublic)

Relaterade Ämnen:

Amazon

Digital Omvandling

CXO

Sakernas Internet

Innovation

Affärssystem

0