Nul
Machine learning gør det muligt for computere til at løse opgaver, som indtil nu, kun har været foretaget af mennesker.
Hvad er forskellen mellem AI og machine learning?
Machine learning kan have haft enorm succes for sent, men det er blot en metode til opnåelse af kunstig intelligens.
Ved fødslen af det felt, af AI i 1950’erne, AI blev defineret som enhver maskine, der kan udføre en opgave, der typisk ville kræve, at den menneskelige intelligens.
AI-system, vil normalt vise, i hvert fald nogle af følgende træk: planlægning, læring, tænkning, problemløsning, viden repræsentation, perception, bevægelse og manipulation, og i et mindre omfang, social intelligens og kreativitet.
Sammen med machine learning, der er forskellige andre tilgange, der anvendes til at bygge AI-systemer, herunder evolutionary computation, hvor algoritmer gennemgå tilfældige mutationer og kombinationer mellem generationer i et forsøg på at “udvikle sig” optimale løsninger, og ekspertsystemer, hvor computere er programmeret med regler, der tillader dem at efterligne opførslen af en menneskelig ekspert inden for et bestemt område, for eksempel en autopilot system flyvende et fly.
Hvad er de vigtigste typer af machine learning?
Machine learning er generelt opdelt i to hovedkategorier: kontrollerede og ukontrollerede læring.
Hvad er overvåget indlæring?
Denne tilgang dybest set lærer maskiner med et godt eksempel.
Under træning for overvåget indlæring, systemer er udsat for store mængder af mærket data, for eksempel billeder af håndskrevne tal kommenteret at angive, hvilket nummer de svarer til. I betragtning af tilstrækkelige eksempler, en vejleder-learning system ville lære at genkende de klynger af pixels og former, der er forbundet med hvert nummer, og i sidste ende være i stand til at genkende håndskrevne tal, i stand til pålideligt at skelne mellem numrene 9 og 4 eller 6 og 8.
Men undervisning i disse systemer, der typisk kræver enorme mængder af mærket data, med nogle systemer, der har behov for at blive eksponeret til millioner af eksempler på at mestre en opgave.
Som et resultat, det datasæt, der blev brugt til at træne disse systemer kan være meget omfattende, med Google ‘ s Open Billeder Datasæt, der har omkring ni millioner billeder, sine, der er mærket video repository YouTube-8M linker til syv millioner mærket videoer og ImageNet, en af de tidlige databaser af denne art, har mere end 14 millioner kategoriseret billeder. Størrelsen af uddannelse datasæt, der fortsætter med at vokse, med Facebook for nylig annoncerede, at det havde udarbejdet 3,5 milliarder billeder offentligt tilgængelige på Instagram, ved hjælp af hashtags er knyttet til hvert billede som etiketter. Ved hjælp af en milliard af disse billeder til at træne et billede-anerkendelse-system har kastet et rekordhøjt niveau af nøjagtighed-af 85,4 procent — på ImageNet ‘ s benchmark.
Den besværlige proces med at mærke de datasæt, der anvendes i uddannelse, er ofte udført ved hjælp af crowdworking tjenester, så som Amazon Mechanical Turk, som giver adgang til en stor pulje af billig arbejdskraft spredt over hele kloden. For eksempel, ImageNet blev sat sammen i løbet af to år med næsten 50.000 mennesker, hovedsageligt rekrutteret gennem Amazon Mechanical Turk. Men Facebook ‘ s tilgang til brug af offentligt tilgængelige data for at træne systemer, der kunne give en alternativ vej til uddannelse-systemer, der bruger milliarder-stærk datasæt uden spild af manuel mærkning.
Hvordan machine learning kan bruges til at fange en hacker (TechRepublic) Forskere har bygget denne Raspberry Pi-drevet, 3D-printede robot-laboratorium for at studere flyver
Hvad er unsupervised læring?
I modsætning, unsupervised learning opgaver algoritmer med at identificere mønstre i data, du forsøger at få øje på ligheder, der splittede, at data i kategorier.
Et eksempel kunne være Airbnb at gruppere huse til rådighed til leje af nabolaget, eller Google Nyheder samle historier om lignende emner hver dag.
Algoritmen er ikke designet til at fremhæve bestemte typer af data, er det simpelthen ser det for data, der kan grupperes efter ligheder, eller for anomalier, der skiller sig ud.
Hvad er semi-overvåget indlæring?
Betydningen af enorme sæt af mærket til træning af machine-learning systemer kan aftage over tid, på grund af den stigende semi-overvåget indlæring.
Som navnet antyder, er den tilgang, der blander sig overvåget og unsupervised learning. Teknikken bygger på at bruge en lille mængde af mærket data og en stor mængde af umærkede data til at uddanne systemer. Det mærkede data er brugt til delvis tog en maskine-learning model, og så er der delvist er uddannet model bruges til at mærke de umærkede data, en proces, der kaldes pseudo-mærkning. Modellen er derefter uddannet på den resulterende blanding af mærket og pseudo-mærkede data.
Levedygtigheden af semi-overvåget indlæring er blevet forstærket for nylig af Generative Kontradiktorisk Netværk ( GANs), machine-learning systemer, der kan bruge mærket data til at generere helt nye data, for eksempel at skabe nye billeder af Pokemon fra eksisterende billeder, hvilket igen kan bruges til at hjælpe med at uddanne en maskine-learning model.
Var semi-overvåget indlæring at blive så effektiv som overvåget indlæring, så adgang til enorme mængder af computerkraft kan ende med at blive mere vigtigt for en vellykket uddannelse machine-learning systemer end adgang til et stort, mærket datasæt.
Hvad er styrke læring?
En måde at forstå forstærkning for at lære, er at tænke over, hvordan nogen kan lære at spille en old school computer spil for første gang, når de ikke er bekendt med reglerne, eller hvordan til at styre spillet. Mens de kan være en komplet nybegynder, i sidste ende, ved at se på forholdet mellem de knapper at trykke på, hvad der sker på skærmen, og deres in-game-score, og deres præstationer vil blive bedre og bedre.
Et eksempel på styrkelse læring er Google DeepMind Dybe Q-netværk, der har slået mennesker i en bred vifte af vintage video-spil. Systemet er fed pixels fra hvert spil, og bestemmer forskellige oplysninger om den tilstand af spil, såsom afstanden mellem objekter på skærmen. Derefter overvejer, hvordan tilstand af spillet og de handlinger, det udfører i spil forholde sig til den score, der opnår det.
I løbet af processen af mange cykler af at spille spillet, til sidst systemet bygger en model af hvilke handlinger, der vil maksimere score i hvilke omstændigheder, for eksempel i tilfælde af video spil Breakout, hvor pagajen skal flyttes til, for at opsnappe bolden.
Hvordan gør overvåget machine learning arbejde?
Alt begynder med en uddannelse machine-learning model, en matematisk funktion i stand til gentagne gange at ændre, hvordan det fungerer, indtil der kan lave præcise forudsigelser, når det gives friske data.
Før uddannelsen begynder, skal du først nødt til at vælge, hvilke data der skal samle og beslutte, hvilke dele af de data, der er vigtige.
Et meget forenklet eksempel på, hvad data funktioner er er givet i denne explainer af Google, hvor et machine learning model er trænet til at genkende forskellen mellem øl og vin, der er baseret på to egenskaber, drinks’ farve, og deres alkoholiske volumen (ABV).
Hver drink, der ikke er mærket som en øl eller vin, og derefter de relevante data er indsamlet ved hjælp af et spektrometer til at måle deres farve og hydrometer til måle deres alkohol indhold.
Et vigtigt punkt at bemærke er, at data skal være i balance, i dette tilfælde at have en nogenlunde lige række eksempler på øl og vin.
De indsamlede data er derefter delt i en større del til træning, siger, at omkring 70 procent, og en mindre del til evaluering, siger de resterende 30 procent. Denne evaluerings data giver uddannet model til at blive testet for at se, hvor godt det er sandsynligvis til at udføre på virkelige data.
Inden træningen går i gang, vil der normalt også være en data-forberedelse trin, i løbet af hvilke processer, såsom deduplication, normalisering og fejl korrektion vil blive foretaget.
Det næste skridt vil være at vælge en passende maskine-learning model fra et stort udvalg til rådighed. Hver har styrker og svagheder, afhængigt af den type data, for eksempel nogle er egnet til håndtering af billeder, nogle til tekst, og nogle rent numeriske data.
Hvordan har overvåget maskinen-læring, uddannelse, arbejde?
Dybest set, uddannelsesforløb indebærer, at den machine-learning model automatisk, tweaking, hvordan det fungerer, indtil der kan lave præcise forudsigelser fra data i Google eksempel, korrekt mærkning af en drikke som øl eller vin, når modellen er givet en drink farve og ABV.
En god måde at forklare, uddannelse proces er at overveje et eksempel ved hjælp af en simpel machine-learning model, der er kendt som lineær regression med gradient descent. I det følgende eksempel, er den model, der anvendes til at estimere, hvor mange is, vil blive solgt baseret på den udvendige temperatur.
Forestil dig at tage forbi data, der viser, ice cream salg og udetemperaturen, og at plotte data mod hinanden på en scatter graf — dybest set at skabe en spredning af diskrete punkter.
At forudsige, hvor mange is, vil blive solgt i fremtiden, baseret på den udendørs temperatur, kan du tegne en linje, der går gennem midten af alle disse punkter, svarende til illustrationen nedenfor.
Billede: Nick Hede / ZDNet
Når dette er gjort, ice cream salg kan forudsiges ved en given temperatur ved at finde det punkt, hvor linjen går gennem en bestemt temperatur og læsning af det tilsvarende salg på det tidspunkt.
At bringe det tilbage til træning på en maskine-learning model, i dette tilfælde træning en lineær regression model ville indebære at justere den lodrette placering og hældning af linien, indtil det ligger i midten af alle de punkter på scatter-graf.
På hvert trin af uddannelsen, hvor den lodrette afstand mellem hver enkelt af disse punkter fra den linje, der er målt. Hvis en ændring i hældning eller position af line resultater i afstanden til disse punkter stigende, så hældningen eller position af den linje, der er ændret i den modsatte retning, og en ny måling er taget.
På denne måde, via mange små justeringer til skrænten og position af den linje, den linje vil holde flytte, indtil det til sidst lægger sig i en position, der er en god pasform for distribution af alle disse punkter, som ses i videoen nedenfor. Når denne uddannelse processen er færdig, kan bruges til at lave præcise forudsigelser for, hvordan temperaturen vil påvirke is salg, og maskinen-learning model kan siges at have været uddannet.
Mens uddannelsen til mere komplekse machine-learning modeller som neurale netværk adskiller sig i flere henseender, det er ligner hinanden i, at det bruger også en “gradient descent” – metoden, hvor værdien af “vægt”, at ændre input data er flere gange justeret, indtil output værdier produceret af den model, der er så tæt som muligt på, hvad der er ønsket.
At mestre kunstig intelligens, glem ikke, personer og proces, Hvor Adobe flytter AI, machine learning forskning til produkt pipeline
Hvordan at evaluere machine-learning modeller?
Når uddannelse af den model, der er gennemført, er den model er vurderet på grundlag af de resterende data, som ikke var brugt under træning, hjælpe med at måle dens virkelige verden ydeevne.
For yderligere at forbedre ydeevnen, uddannelse parametre kan indstilles. Et eksempel kunne være at ændre den udstrækning, i hvilken “vægt” er ændret på hvert trin i uddannelsesforløbet.
Hvad er neurale netværk, og hvordan er de uddannet?
En meget vigtig gruppe af algoritmer for både kontrollerede og ukontrollerede machine learning er neurale netværk. Disse ligger til grund for meget af machine learning, og mens simple modeller som lineær regression kan bruges til at lave forudsigelser baseret på et lille antal af data, funktioner, som i Google eksempel med øl og vin, neurale netværk er nyttige, når der beskæftiger sig med store datasæt med mange funktioner.
Neurale netværk, hvis struktur er inspireret af, at hjernen er sammenhængende lag af algoritmer, der kaldes neuroner, som leverer data til hinanden, med udgangen af den foregående lag bliver input til det efterfølgende lag.
Hvert lag kan opfattes som at genkende forskellige funktioner i det samlede data. For eksempel overveje eksempel på anvendelse af machine learning til at genkende håndskrevne tal mellem 0 og 9. Det første lag i det neurale netværk, der kan måle farven på de enkelte pixels i billedet, det andet lag kan spot figurer, såsom linjer og kurver, er det næste lag kan se ud til større dele af den skriftlige nummer-for eksempel, den afrundede løkken i bunden af nummer 6. Dette bærer på hele vejen igennem til den endelige lag, som vil output sandsynligheden for, at en given håndskrevne tal er et tal mellem 0 og 9.
Se mere: Special report: How til at gennemføre AI og machine learning (gratis PDF)
Netværket lærer at genkende hver enkelt komponent af de numre, der er under uddannelse, ved gradvist at tilpasse betydningen af de data, som det flyder mellem de forskellige lag af netværket. Dette er muligt på grund af hvert link mellem lag, der har en vedhæftet vægt, hvis værdi kan øges eller mindskes til at ændre, at link ‘ s betydning. I slutningen af hver træning cyklus, vil systemet undersøge, om den neurale netværk endelige output er at komme tættere på eller længere væk fra, hvad der ønskes-for eksempel er det netværk, som bliver bedre eller værre til at finde et håndskrevne nummer 6. For at lukke hullet mellem den faktiske produktion og det ønskede output, vil systemet så arbejde baglæns gennem neurale netværk, ændre vægte, der er knyttet til alle disse links mellem lagene, samt en tilhørende værdi kaldes bias. Denne proces er kaldet back-propagation.
Til sidst i denne proces vil bosætte sig på værdier for disse vægte og fordomme, der vil tillade, at netværket for at kunne udføre en given opgave, såsom at genkende håndskrevne tal, og det netværk kan siges at have “lært” hvordan til at udføre en bestemt opgave
En illustration af strukturen af et neuralt netværk, og hvordan uddannelsen fungerer.
Billede: Nvidia
Hvad er dyb læring, og hvad er så dyb, at neurale netværk?
En delmængde af machine learning er dyb læring, hvor det neurale netværk udvides til vidtstrakte netværk med et stort antal af lag, der er uddannet ved hjælp af enorme mængder af data. Det er disse dybt neurale netværk, som har hjulpet den nuværende spring fremad i evnen af computere til at udføre opgaver som talegenkendelse og computer vision.
Der er forskellige typer af neurale netværk, med forskellige styrker og svagheder. Tilbagevendende neurale netværk er en type af neurale net særligt velegnet til sprog forarbejdning og talegenkendelse, mens convolutional neurale netværk er mere almindeligt anvendt i billedet anerkendelse. Konstruktionen af neurale netværk er også under udvikling, med forskere for nylig udformningen af en mere effektiv design til en effektiv type af dyb neurale netværk kaldet lang og kort sigt hukommelse eller LSTM, gør det til at fungere hurtigt nok til at kunne anvendes i on-demand-systemer som Google Translate.
AI teknik af evolutionære algoritmer er selv bliver brugt til at optimere neurale netværk, takket være en proces, der kaldes neuroevolution. Den fremgangsmåde, der for nylig blev fremvist ved Uber AI Labs, som har udgivet artikler om brug af genetiske algoritmer til at træne dybt neurale netværk for at styrke læring problemer.
Dyb Læring: Den interesse, der er mere end latent Dell, EMC-high-performance computing bundter med henblik på AI, dyb læring
Hvorfor er machine learning, så en succes?
Mens machine learning er ikke en ny teknik, interesse i området er eksploderet i de seneste år.
Denne genopblussen kommer på ryggen af en serie af gennembrud, der med dybe læring sætte nye rekorder for nøjagtighed i områder, såsom tale og sprog anerkendelse, og computer vision.
Hvad er der gjort disse resultater, er der primært to forhold, det ene er de enorme mængder af billeder, tale, video og tekst, der er tilgængelig for forskere, der ønsker at træne machine-learning systemer.
Men endnu mere vigtigt er tilgængeligheden af enorme mængder af parallel-processing power, venligst udlånt af moderne graphics processing units (Gpu ‘ er), som kan være knyttet sammen i klynger for at danne machine-learning kraftcentre.
I dag kan alle med en internetforbindelse kan bruge disse klynger til at træne machine-learning modeller, via cloud-tjenester, der leveres af firmaer som Amazon, Google og Microsoft.
Som anvendelse af machine-learning har taget ud, så virksomhederne nu skaber specialiseret hardware, der er skræddersyet til løb og træning machine-learning modeller. Et eksempel på en af disse brugerdefinerede chips er Google ‘s Tensor Processing Unit (TPU), den seneste version, som forøger den hastighed, hvormed machine-learning modeller bygget ved hjælp af Google’ s TensorFlow software bibliotek kan udlede information af data, samt den hastighed, hvormed de kan blive uddannet.
Disse chips er ikke bare bruges til at træne modeller til Google DeepMind og Google Hjernen, men også de modeller, der understøtter Google Oversæt, og billedet anerkendelse i Google Foto, samt tjenester, som gør det forbudt at bygge machine learning modeller ved hjælp af Google ‘ s TensorFlow Forskning Cloud. Den anden generation af disse chips blev præsenteret på Googles i/O-konference i Maj sidste år, med en række af disse nye TPUs i stand til at træne en Google-machine-learning model, der anvendes til oversættelse i halvdelen af den tid, det ville tage en vifte af top-end Gpu ‘ er, og for nylig annoncerede tredje generation TPUs i stand til at accelerere uddannelse og slutning endnu længere.
Som hardware bliver mere og mere specialiseret og machine-learning software rammer er raffineret, er det blevet stadig mere almindeligt, at ML opgaver, der skal udføres på forbruger-grade-telefoner og computere, snarere end i cloud datacentre. I sommeren 2018, Google tog et skridt i retning af at tilbyde den samme kvalitet af automatiseret oversættelse på telefoner, der er offline, som er til rådighed online, ved at rulle ud lokale neurale maskine oversættelse til 59 sprog til Google-Translate-app til iOS og Android.
Den store data videnskab håb: Machine learning kan helbrede din frygtelige data hygiejne Machine learning as a service: Kan personlige oplysninger blive undervist? Fem måder, hvorpå din virksomhed kan komme i gang med at implementere AI og ML Hvorfor AI og machine learning er nødt til at være en del af din digitale transformation planer
Hvad er AlphaGo?
Måske den mest berømte demonstration af effekten af machine-learning systemer var den 2016 triumf af Google DeepMind AlphaGo AI over et menneske stormester i Går, en bedrift, der ikke var forventede, indtil 2026. Go er et gammelt Kinesisk spil, hvis kompleksitet bamboozled computere i årtier. Gå har omkring 200 bevæger per tur, i forhold til omkring 20 i Skak. I løbet af et spil, der er så mange mulige bevægelser, der søger gennem hver af dem på forhånd at identificere de bedste spil er for dyrt fra et beregningsmæssigt synspunkt. I stedet, AlphaGo var trænet i, hvordan man spiller spillet ved at tage bevæger sig spilles af menneskelige eksperter i 30 millioner Go spil og fodre dem ind i dybe-læring neurale netværk.
Træning af de dybtliggende-learning-netværk kan tage meget lang tid, og kræver enorme mængder af data, der skal indtages, og gentaget over som systemet gradvist forfiner sin model med henblik på at opnå det bedste resultat.
Men mere for nylig Google raffineret uddannelse proces med AlphaGo Nul, et system, der spillede “helt tilfældigt” spil mod sig selv, og derefter lært fra resultaterne. På sidste års prestigefyldte Neurale informationsbehandlingssystemer (NVP) konference, Google DeepMind CEO Demis Hassabis afsløret AlphaGo havde også mestrer spil skak og shogi.
DeepMind fortsætte med at bryde nye veje inden for machine learning. I juli 2018, DeepMind rapporterede, at dets AI-agenter, der havde lært sig selv at spille 1999 multiplayer 3D-first-person shooter Quake III Arena, godt nok til at slå hold i menneskelige spillere. Disse agenter lært at spille spil bruger ikke mere information end den menneskelige spillere, der med deres input bliver pixels på skærmen, da de prøvede tilfældige handlinger i spillet, og feedback på deres præstationer i løbet af hvert spil.
Mere for nylig DeepMind vist en AI-agent i stand til at overmenneskelige præstation på tværs af flere klassiske Atari-spil, en forbedring i forhold til tidligere tilgange hvor hver AI-agent kan kun klarer sig godt på et enkelt spil. DeepMind forskere siger, at disse generelle evner, vil det være vigtigt, hvis AI forskning er at løse mere komplekse virkelige verden domæner.
Google ‘ s AlphaGo går på pension efter at slå Kinesiske Gå champion DeepMind AlphaGo Nul lærer på egen hånd uden meatbag intervention
Hvad er machine learning bruges til?
Machine learning-systemer, der anvendes over alt omkring os og er en hjørnesten i det moderne internet.
Machine-learning-systemer, der anvendes til at anbefale, hvilket produkt, du måske ønsker at købe den næste på Amazon eller video, du vil ønsker måske at se på Netflix.
Hver Google-søgning bruger flere machine-learning systemer, til at forstå det sprog din forespørgsel igennem til at tilpasse dine resultater, så fiskeri entusiaster, der søger efter “bass” er ikke oversvømmet med resultater om guitarer. Ligeledes Gmails spam-og phishing-anerkendelse-systemer bruger machine-learning uddannet modeller for at holde din indbakke fri af rogue meddelelser.
En af de mest åbenlyse demonstrationer af magt machine learning er virtuelle assistenter, som Apple ‘s Siri, Amazon’ s Alexa, Google Assistent, og Microsoft Cortana.
Hver er stærkt afhængig af machine learning til at støtte deres stemme anerkendelse og evne til at forstå naturlige sprog, samt har behov for en enorm corpus til at trække på til at besvare spørgsmål.
Men ud over disse meget synlige manifestationer af machine learning, systemer er begyndt at finde en anvendelse i næsten alle brancher. Disse exploitations omfatter: computer vision for førerløse biler, droner og levering af robotter, tale og sprog anerkendelse og syntese for chatbots og service-robotter; facial anerkendelse for overvågning i lande som Kina, for at hjælpe radiologer til at udvælge tumorer i x-stråler, medvirken forskere i at spotte genetiske sekvenser, der er relateret til sygdomme og identificere molekyler, der kunne føre til mere effektive lægemidler i sundhedsvæsenet, der gør det muligt for forebyggende vedligeholdelse på infrastruktur ved at analysere tingenes internet sensor data, der underbygger computer vision, som gør cashierless Amazon Gå supermarked muligt, tilbyder rimelig nøjagtig transskription og oversættelse af tale til forretningsmøder — listen går på og.
Dyb-læring kan i sidste ende bane vejen for robotter, der kan lære direkte fra mennesker, med forskere fra Nvidia for nyligt at skabe en dyb-learning system, designet til at lære en robot til at udføre en opgave, blot ved at observere, at jobbet bliver udført af et menneske.
Opstart bruger AI og machine learning til real-time baggrundstjek Tre ud af fire mener, at AI-programmer er den næste store trend, Hvor allestedsnærværende AI kommer til at gennemsyre alt, hvad vi gør, uden at vores viden
Er machine-learning systemer mål?
Som du ville forvente, valg og omfanget af de data, der anvendes til at uddanne systemer vil påvirke de opgaver, de er egnet til.
For eksempel, i 2016 Rachael Tatman, National Science Foundation Graduate Research Fellow i Lingvistik Afdeling på University of Washington, fandt at Google stemmegenkendelse system, der udføres bedre for mandlige stemmer end kvindelige dem, når auto-tekstning af en stikprøve af YouTube-videoer, et resultat, hun har tilskrevet ‘ubalanceret uddannelse sæt” med en overvægt af mandlige talere.
Som machine-learning systemer bevæge sig ind på nye områder, såsom medvirken medicinsk diagnose, muligheden for systemer, der er skæv i retning af at tilbyde dig en bedre service og en mere fair behandling til bestemte grupper af mennesker, der vil sandsynligvis blive mere af en bekymring.
Som er den bedste maskine-learning kurser?
En stærkt anbefales kursus for begyndere til at lære sig de grundlæggende elementer i machine learning er dette gratis Stanford University og Coursera foredrag serie af AI-ekspert og Google Hjernen grundlægger Andrew Ng.
En anden højt-ratede gratis online kursus, rost for både omfanget af dækningen og kvaliteten af sin undervisning, er dette EdX, og Columbia University introduktion til machine learning, selv om studerende nævner, at det kræver et solidt kendskab til matematik op til universitetsniveau.
Hvordan at komme i gang med machine learning?
Teknologier designet til at give udviklere mulighed for at lære sig selv om machine learning er mere udbredt, fra AWS’ deep-learning-aktiveret kamera DeepLens til Google ‘ s Raspberry Pi-drevet af aiy kits.
Hvilke tjenester der er tilgængelige for machine learning?
Alle de store cloud-platforme — Amazon Web Services, Microsoft Azure og Google Cloud-Platform-giver adgang til den hardware nødvendige til at træne og køre maskine-læring modeller, med at lade Google Cloud Platform brugere afprøve sin Tensor Behandling Enheder — custom chips, hvis design er optimeret til træning og kører machine-learning modeller.
Denne cloud-baseret infrastruktur omfatter data butikker, der er nødvendige for at holde de enorme mængder af data, tjenester til at forberede data til analyse og visualisering værktøjer til at vise resultaterne klart.
Nyere tjenester, selv strømline oprettelse af brugerdefinerede machine-learning modeller, med Google for nylig afsløre en service, der automatiserer oprettelsen af AI modeller, kaldet Cloud AutoML. Denne træk-og-slip-service bygger brugerdefineret billede-anerkendelse modeller og kræver, at brugeren har ingen machine-learning ekspertise, der svarer til Microsofts Azure Machine Learning-Studie. I en lignende åre, Amazon for nylig løftet sløret for nye AWS tilbud designet til at fremskynde processen med uddannelse op machine-learning modeller.
For data, som forskere, er Googles Cloud ML Motor er en styret maskine-learning-tjeneste, der giver brugerne mulighed for at træne, implementere og eksport brugerdefineret maskine-læring modeller baseret enten på Google ‘ s open-sourcede TensorFlow ML ramme, eller den åbne neurale netværk ramme Keras, og som nu kan bruges med Python-bibliotek sci-kit lære og XGBoost.
Database admins uden en baggrund i data videnskab kan bruge Google ‘ s BigQueryML, en beta-service, der gør det muligt for administratorer at ringe uddannet machine-learning-modeller ved hjælp af SQL-kommandoer, der giver forudsigelser for at være foretaget i databasen, der er enklere end at eksportere data til en separat maskine, læring og analytics-miljø.
For virksomheder, der ikke ønsker at bygge deres egen maskine-læring modeller, cloud-platforme tilbyder også AI-drevet, on-demand-tjenester-såsom voice, vision og sprog anerkendelse. Microsoft Azure står ud for bredden af on-demand-tjenester på tilbud, tæt fulgt af Google Cloud Platform og derefter AWS.
I mellemtiden IBM, sammen med dens mere generelle on-demand-tilbud, er også at forsøge at sælge sektor-specifikke AI-tjenester med henblik på alt fra sundhedssektoren til detailhandel, gruppere disse tilbud sammen under sin IBM Watson paraply.
Tidligt i 2018, Google udvidet sin maskine-læring drevet service til en verden af reklame, frigive en suite af værktøjer til at lave mere effektive annoncer, både digitalt og fysisk.
Mens Apple ikke nyder den samme anseelse for banebrydende talegenkendelse, naturligt sprog forarbejdning og computer vision som Google og Amazon, det er at investere i at forbedre sin AI-tjenester, der for nylig at sætte Googles tidligere chef ansvarlig for machine learning og AI-strategi på tværs af virksomheden, herunder udvikling af sin assistent Siri og on-demand-machine learning service Core ML.
I September 2018, NVIDIA lanceret en kombineret hardware-og software-platform, der er designet til at blive installeret i datacentre, der kan fremskynde hastighed, som er uddannet machine-learning modeller kan foretage tale -, video-og billede anerkendelse, samt øvrige ML-relaterede tjenester.
NVIDIA TensorRT Hyperscale Inferens-Platformen bruger NVIDIA Tesla T4 Gpu ‘er, der leverer op til 40x udførelsen af Cpu’ er, når du bruger maskinen-læring modeller til at foretage slutninger ud fra data, og TensorRT software-platform, der er designet til at optimere ydeevnen af uddannet neurale netværk.
Amazon Web Services tilføjer flere data og ML tjenester, men hvornår er nok nok? Microsoft Understreger Valg, Fra SQL Server 2017 til Azure Machine Learning Splunk opdateringer flagskib suiter med machine learning, AI fremskridt
Som software-biblioteker er til rådighed til at komme i gang med machine learning?
Der er en bred vifte af software rammer til at komme i gang med uddannelse og kører machine-learning modeller, typisk for programmerings-sprog, Python, R, C++, Java og MATLAB.
Berømte eksempler er Google ‘ s TensorFlow, open-source bibliotek Keras, Python-bibliotek Scikit-lære, den dybe læring ramme CAFFE og maskinen-læring bibliotek Fakkel.
Yderligere læsning
Særlige rapport: Udnyttelse af IoT i virksomheden (gratis PDF) (TechRepublic) Machine learning og Internet af Ting Machine learning: En cheat sheet (TechRepublic) Analytics i 2018: AI, IoT og multi-cloud, eller buste 5 tips til at overvinde machine learning vedtagelse barrierer i virksomheden (TechRepublic)
Relaterede Emner:
Amazon
Digital Transformation
CXO
Tingenes Internet
Innovation
Virksomhedens Software
0