互联网

邮箱:admin@yaboyule197.icu
电话:042-21136411
传真:
手机:13774105008
地址:浙江省嘉兴市郏县会路大楼770号
当前位置:主页 > 互联网 >

互联网

李飞飞发布GoogleCloudAutoMLVisio“猫先生体育”

作者:官方网站 时间:2020-12-31 22:05
本文摘要:谷歌ai首席科学家李飞飞宣布将推出测试版CloudAutoMLVision,同时追加用于自然语言处理的AutoMLNaturalLanguage和用于翻译的AutoMLTranslation。AutoMLVision是GoogleCloudAutoML的第一个版本,根据Google,即使是没有机器学习专业知识的小白,只要理解模型的基本概念,就可以利用这个服务很棒地建立定制简化的图像识别模型。

领域

7月24日,在Google Cloud Next大会上,Google给Cloud AutoML带来了新的进展,顺利地引起了很多关注。谷歌ai首席科学家李飞飞宣布将推出测试版Cloud AutoML Vision,同时追加用于自然语言处理的AutoML Natural Language和用于翻译的AutoML Translation。从那以后,谷歌云自动机享受到了视觉、自然语言处理、翻译等很多服务。很多媒体对支持AI民主化愿景的自动化表示赞赏。

fast.ai的创始人之一Rachel Thomas特别写了三篇博文反思AutoML的局限性。为了了解奥特姆的解读,我还采访了国内致力于奥特姆的公司,探究了是知道奥特姆是AI的未来还是大家希望太低。

创业公司转移到AutoML领域如何与大公司竞争? 你知道燕麦是给白的吗? 为了完成机器学习项目,在图像识别、语音识别、自然语言处理中,都必须构建包括数据预处理、特征选择、模型算法自由选择、推荐、上线后模型的再优化、效果评价的过程。在人工设计机器学习模型的过程中,神经网络的设计是很多课题,设计师必须有足够的经验。谷歌首席执行官Sundar Pichai说:“现在神经网络的设计很花时间,专家必须在科学和工程领域的一小部分展开研究。

为了解决问题,我们构建了一个叫AutoML的工具,由此神经网络可以设计神经网络。”谷歌表示,谷歌云自动有三项主要技术。

neuralarchitecturesearchtechnology、learning2learn和transferlearnnet。Cloud AutoML主要分担机器学习中的特征选择、模型算法的自由选择以及推荐部分。神经架构检索技术可以自动检索具有良好参数的神经网络结构者组,但进入自学后可以忘记最后一个开发者接受的模型,接下来可以更晚。分析认为,使用Google Cloud AutoML神经网络设计神经网络的方法只不过是左边有一个名为“控制器”的RNN,有一个名为“child”的模型架构(设计)的图的右边然后把系统结果(feedback )放回控制器,在下一个周期提高训练原作。

这个过程重复数千次——分解、测试新架构,再把系统搬到控制器上重新自学。最后,控制器不会偏向于为了获得更高的精度而集中于数据集的架构设计,反之亦然。AutoML Vision是Google Cloud AutoML的第一个版本,根据Google,即使是没有机器学习专业知识的小白,只要理解模型的基本概念,就可以利用这个服务很棒地建立定制简化的图像识别模型。

只要把自己的标签数据上传到系统上,就可以得到训练有素的机器学习模型。整个过程可以通过拖放式接口完成,从数据部署到标记到模型培训。一起听很骄傲,很多人对AutoML Vision也表示赞赏,特别是李飞飞和李佳也回应了期待。李飞飞在2018年发布Google Cloud AutoML时表示:“几乎一年多前我们俩共同再次加入Google云的时候,我们有着使AI平民化的愿景。

我们的目标是减少AI的门槛,让AI尽可能多的开发者、研究者和商业用户获得。“李飞飞响应Googleautoml是TensorFlow和Cloud Vision API之间的产品,非专业机器学习者可以根据市场需求开发机器学习模式。这个定位怎么解读? 什么样的人用TensorFlow? 什么样的人使用Cloud Vision智铀科技的创始人夏粉对他说,TensorFlow适合算法科学家,适合有一定机器学习基础的人研究和应用算法。Cloud Vision适合在意AI应用的人,需要用AI模型解决的问题需要用场景问题,例如像脸部识别那样,用API展开脸部识别。

这里的模型是已经建立的模型。AutoML介于两者之间,只对机器学习背景强的人和没有经验的人进行模型化,根据手头的场景数据,建立针对该场景的模型。可以说TensorFlow正在研究如何建模。

AutoML必须帮助建模,Cloud Vision必须用于模型。很多媒体认为为了自动分解机器学习模式,需要写代码行,但自动不写代码也可以使用,但没有经验的人可能无法利用它得到思考的结果。AutoML是什么样的允许Rachel Thomas用博文分析的,谷歌cloud automl现在有很多允许。最初的下一个允许需要大量的计算能力,谷歌使用的神经架构搜索方法必须在500GPU下训练4天。

在2018年3月的TensorFlow开发者峰会上,Jeff Dean与将来Google Cloud代替机器学习专家使用100倍的计算能力,而是对计算能力有强烈拒绝的神经结构检索进行了比较。其次,机器学习的步骤很简单,数据擦除和模型训练是机器学习中特别耗时的部分,AutoML解决了问题进行了模型训练,但数据擦除依然对数据科学家有很高的拒绝。

另外,神经结构的探索是寻找新的结构,但是现在很多人不需要新的结构,可以通过自学转移到未知的结构来解决问题。云脑科技核心算法工程师徐昊对他说,AutoML现在面临三个问题。第一个是计算量。现在的AutoML优化算法为了充分发挥性能,在超强参数空间中需要对足够多的点进行采样。

每个采样点都是非常强大的参数安排,必须经过原始的训练过程。像在线CTR这样的小项目,模型的大数据很大,每个原始培训都缺乏资源。在这种情况下,自动调整AutoML部署需要非常长的时间,在项目周期中经常不被接受。

第二是极限。AutoML算法现在主要针对推荐和部分特征提取的问题,可以说是机器学习项目的一部分。

建立实际需要落地的模型有很多必须考虑的因素。例如,对于不同种类的数据,如何选择合适的模型的模型尺寸、特征选择和最后延迟时的serving延迟的trade off等。第三,人类工程师的参与。AutoML处于当前状态,在大项目中几乎可以作为人类工程师的替代品玩。

我们指出了一种好的方式,AutoML需要与人类工程师合作,AutoML的优化算法需要展示推荐流程和方向,以方便工程师动手。然后获得合适的模块,将人工经验引入自动自学的过程。AutoML有什么细分服务? 与AutoML Vision一样,AutoML Natural Language和AutoML Translation也需要更多公司和开发人员出色地创建自己的自然语言处理应用程序,或AI翻译应用程序Cloud AutoML Natural Language是美国出版发行多样性媒体巨头赫斯特集团(Hearst )用Google用的新工具管理内容,高级副总裁Esfand Pourmand先生由赫斯特定制。

Cloud AutoML Translation可以为客户获得自定义简化的翻译以满足市场需求。日本经济新闻社的数字商务常务董事Hiroyuki Watanabe回答说,名为Cloud AutoML Translation的工具需要减慢内容的定制简化翻译。

机器学习

谷歌云的研究开发负责人李佳说:“这样,AutoML就可以对所有行业没有AI经验的企业和开发者取得自动分解图像、语言和翻译的成功。AutoML注册用户也已经达到18,000家,服务行业遍布媒体、零售、金融、保险、能源、医疗、环境等。”为什么谷歌会根据场景推出合适的自动研磨机版本呢? 云脑科技中国区数据算法负责人黄赞指出,不同领域的数据处理、特征提取、模型自由选择和调整过程差异很小。例如,在NLP模型中,必须提取很多与语法相关的特征,进而提取与关键词在句子中的方位相关的特征。

在Vision模型中,必须提取与图像histogram有关的特征,差异很小。谷歌推出的细分场景的AutoML需要提高自动自学在所有领域的效率。

重新发售自动视觉是因为飞对vision更不了解。对于自然语言领域,图像视觉领域目前的研究更丰富,数据集也更丰富。另外,图像和声音的区域可以得到更完整的数据信息,但自然语言的文本只是已经经过人脑处理和抽象化的结果。前者容易处理神经网络。

但是,对AutoML来说,背后有很多技术。从AutoML Vision获得的经验也可以转移。

根据Google的说明,新的两个系列也应该被纳入AutoML引擎的自动征优和Transfer Learning两个模块之上,并将各个领域细分的Ultra。AutoML的本质是将人类工程师替换为优化算法开展模型特征等工作,降低专家的成本。在细分领域,如果这个领域的数据特征和处理流程是独特的(因此,如果不需要应用其他领域的AutoML方案),或者如果人类专家在解决这个领域的问题时很多机器不重复创造性的劳动,则此作夏粉指出,就像ML (机器学习)的研究点非常多一样,AutoML也有很多可以研究的技术。而且技术不会不断更新变革,每个场景的下限数据、特征、算法及应用程序不同,需要有针对性的AutoML版本,每个场景必须用不同的机械学技术实现。

领域

AutoML的技术也没有慢慢细分。例如,AutoML Vision有AutoML图像和AutoML视频,NLP有中文和英语。创业公司的入局AutoMLGoogle把自己家的项目命名为Google Cloud AutoML,在名字上非常方便,现在很多人认为AutoML是Google家。

AutoML的概念来源于2012年学术界明确提出的新观念3354 programmingbyoptimization (PBO ),目的是解决问题编程时人工调整参数的问题。学术界和行业对AutoML在一些实践中,我们也看到了一些产品。比如微软公司的CustomVision.AI,国内智慧铀技术的“智慧”,云脑技术的Deepro平台。奇怪的是,在这个领域,创业公司是如何与大公司竞争的? 夏粉如果说我真的和Google AutoML竞争差异化,一个说AutoML的技术点非常多,创业公司可以从中滚一点集中精力做,解决有问题的种类AutoML问题,将其商业化,然后第二,Google AutoML这一战略主要支持Google Cloud平台,期待更多的客户可以使用Google Cloud。

对创业公司来说可以把重点放在私有化上来配置这个市场,做一些不可告人的事情。三是不同行业可以做的自动磨机解决方案(例如金融行业、安全行业、营销行业,我们也有面向不同行业的版本),专门为横向行业减少机器学习的门槛。

对于智铀来说,类似的产品,例如AutoML Vision和NLP,也许将来可以做,但眼前可以做一个和Google有点区别的产品。云脑科技核心算法工程师徐昊回答说,谷歌的AutoML在那个云平台上销售。

用户在AutoML中使用的时间越长,谷歌云的收益也就越大。而且对一般企业来说,往往不一定有Google Cloud这样的计算资源。即使享受大量的计算,也大多局限于项目的循环允许,更高地拒绝了现有的自动研磨机的计算效率。在计算资源不是卖点的情况下,中小创业公司往往必须制定更精细化的自动程序。

云大脑在开发燕麦产品时有三个优化方向。首先,更有效率,我们在更深的层次上进一步减少AutoML的计算量,使自动推荐的需求超过工程实践中的市场需求。其次,更全面地,通板考虑整个ML工艺落地的全球因素,展开全球优化。

其三低透明度以AutoML的工具性为重点,人类工程师需要更好地观察和着手。很明显,正如很多业界人士所说,人工智能是一个全新的时代,现在还没有出现像互联网时代那样可靠的巨头,需要剥夺所有领域。新时代,新机会,在那里用合适的创业公司建设自己的土壤。相关文章:谷歌大脑文章分析AutoML :神经网络如何自己设计神经结构? | Google I/O 2017李飞飞发文发布Google云AutoML Vision平台,发布简化的企业级机器学习模式依然是个难题,正式成立一年后发布AutoML商用产品“小智”。


本文关键词:机器学习,的人,自动,官方网站

本文来源:猫先生体育-www.yaboyule197.icu