Nul
Google van plan is om het automatiseren van het maken van machine learning modellen en kunnen ontwikkelaars van ondernemingen aan te passen als het richt zich op het gebruik van kunstmatige intelligentie als een primaire use case voor Google Cloud Platform. Het primaire argument zal zijn dat Google Cloud Platform tools voor machine learning zal leiden tot hogere kwaliteit van modellen sneller.
Op woensdag, Google geschetst Cloud AutoML, een alpha-inspanning voor ontwikkelaars van technologie die kan automatisch een machine learning model. Google zal beginnen met AutoML Visie en dan verder door middel van de onderscheiden categorieën zoals vertalingen, video en verwerking van natuurlijke taal.
Fei-Fei Li, chief scientist voor Google Cloud AI, zei Google is het aanbieden van standaard AI bouwstenen, maar het werd duidelijk dat de enterprise klanten nodig voor het aanpassen van modellen met hun eigen gegevens. “AI en machine learning is nog een gebied met een hoge barrières,” zei ze.
Wat is het plan om te democratiseren AI? Google Jia Li, hoofd van het onderzoek en de ontwikkeling van Google Cloud AI, zei de automatisering van technologieën, zoals de overdracht van leren, opleiding en model-optimalisatie van groot belang. Met automatisering, Li zei klanten zullen in staat zijn om de kwaliteit te verbeteren van de modellen veel sneller. Ontwikkelaars kunnen vervolgens draai deze modellen in eenvoudige application programming interface (API) aanroepen.
In een blog post, de twee Lis opgemerkt:
Momenteel is slechts een handvol bedrijven in de wereld hebben toegang tot het talent en de budgetten die nodig zijn om volledig te genieten van de vooruitgang van de ML en AI. Er is een zeer beperkt aantal mensen die het kunnen maken van geavanceerde machine learning modellen. En als je een van de bedrijven die toegang heeft tot ML/AI ingenieurs, u nog steeds voor het beheren van de tijd-intensieve en ingewikkelde proces van het bouwen van uw eigen aangepaste ML model. Hoewel Google heeft aangeboden pre-getrainde machine learning modellen via de Api ‘ s die specifieke taken uit te voeren, er is nog een lange weg te gaan als we dat willen brengen AI voor iedereen.
Hier is een blik op wat AutoML wil stroomlijnen.
De prijsstelling voor deze AutoML inspanning, die begint met AutoML Visie voor het analyseren en optimaliseren van afbeeldingen, zullen worden gebaseerd op API-gebruik en berekenen. Rajen Sheth, director of product management van Google Cloud AI, zei klanten betalen voor het verbruik van de API en berekenen. “We zullen werken met de klant om te bepalen prijzen aan te passen bij hun verwachtingen voor het probleem dat ze proberen op te lossen,” zei Sheth.
Google AutoML Visie zal de uitrol van het eerste begin met klanten als Disney en Urban Outfitters.
Sheth toegevoegd dat de klanten hun eigen gegevens en hun eigen modellen onder het privacy beleid van de Google-Cloud-Platform. “Dit product geeft een veel autonomie terug naar de klanten,” zei Jia Li.
Cloud AI wars: Re:Uitvinden 2017: AWS alles over het vastleggen van gegevens stroomt via AI, Alexa, de database, de Ivd-cloud-services | Google I/O-2017: Hier is wat we geleerd | Google inzetten op AI-eerst als computer vision, spraakherkenning, machine learning verbeteren | Hoe Microsoft van plan om zich Azure in een ‘AI cloud’ | IBM verbetert Watson Data Platform, met een oog in de richting van AI
TechRepublic: Amazon AI: De smart person ‘ s guide | AI: Hoe belangrijk is de nieuwste versie van Google AlphaGo doorbraak?
De verkoop van de kwaliteit modellen
Met AutoML, Google is in feite te zeggen van de kwaliteit zal het belangrijkste verkoopargument voor de service. Google ‘ s core pitch is dat zij haar onderzoek en technologie te democratiseren gegevens. Jia Li opgemerkt dat AutoML is “powered by cutting edge onderzoek” en de mogelijkheid om te trainen modellen om de productie sneller klaar.
Sheth gezegd dat deze modellen worden gemaakt met een eenvoudige grafische user interface waarmee u het model is geïmplementeerd en de kwaliteit. “Kwaliteit echt belangrijk is,” zei Sheth.
Jia Li zei Google heeft een benchmark van de methoden ten opzichte van de bestaande publiekelijk bekend technieken om te concluderen dat de modellen beter en gemakkelijker te produceren.
Hoewel Google Cloud Platform is de vereenvoudiging van de model creatie met AutoML het is niet alle eenhoorns en regenbogen. Bedrijven moeten het label hun gegevens en het voorbereiden van AutoML. “Om een model maken voor uw eigen doeleinden, moet u nog meerdere stappen, zoals het model prep, afstemming en evaluatie en iteratie. We zijn het verstrekken van de technologie aan de onderkant om belemmeringen weg te nemen,” zei Jia Li.
AI en werkgelegenheid: Waar mensen zijn beter dan algoritmen, en vice versa | Vijf tech banen dat AI en automatisering zal radicaal efficiënter
De lancering van AutoML is vooral gericht op ontwikkelaars en onafhankelijke software-aanbieders. Sheth, echter, en zei: “ik kon zien dat deze uitbreiding heel wat analisten en product de mensen.” Immers, er zijn veel mensen in een organisatie die moeten omgaan met de gegevens.
VERWANTE VERHALEN
Inside the black box: het Begrip AI besluit-makingInfographic: 50 procent van de bedrijven van plan te gebruiken AI snel, maar nog niet uitgewerkt in de details yetFive manieren waarop uw bedrijf aan de slag kunt implementeren van AI en MLWhy AI en machine learning moet een deel van uw digitale transformatie plansShould Amazon uw AI en machine learning platform?Moet Google uw AI en machine learning platform?Moet Microsoft worden uw AI en machine learning platform?Moet IBM uw AI en machine learning platform?Moet Baidu uw AI en machine learning platform?De vijf upstarts, die de AI en machine learning revolution
Voor wie op zoek is naar de diepe duik op de modellen, Google aangehaald de volgende verwijzingen zijn AutoML post:
Leren Overdraagbare Architecturen voor Schaalbare Afbeelding Erkenning, Barret Zoph, Vijay Vasudevan, Jonathon Shlens, en V. Le Quoc. Arxiv, 2017.Progressieve Neurale Architectuur Zoeken, Chenxi Liu, Barret Zoph, Jonathon Shlens, Wei Hua, Li-Jia Li, Li Fei-Fei, Alan Yuille, Jonathan Huang, Kevin Murphy, Arxiv, 2017Large-Schaal Evolutie van het Beeld van Classifiers, Esteban Echt, Sherry Moore, Andrew Selle, Saurabh Saxena, Yutaka Leon Suematsu, Le Quoc, Alex Kurakin. Internationale Conferentie over Machine Learning, 2017.Neurale Architectuur Zoeken met Reinforcement Learning, Barret Zoph, V. Le Quoc. Internationale Conferentie over het Leren van Representaties in 2017.Begin-v4, Begin-ResNet en de Impact van de Resterende Verbindingen aan te Leren, Christelijke Szegedy, Sergey Ioffe, Vincent Vanhoucke, en Alex Alemi. Aanv. rubr. verzekering, 2017.
Bayes-Optimalisatie voor een Betere Dessert, Benjamin Solnik, Daniel Golovin, Greg Kochanski, John Elliot Karro, Subhodeep Moitra, D. Sculley. NIP, Workshop over de Bayes-Optimalisatie, 2017
Verwante Onderwerpen:
Cloud
Digitale Transformatie
CXO
Het Internet van Dingen
Innovatie
Enterprise Software
0