.png)
AutoML від Google – новий хмарний продукт від гугл, який об'єднує різні готові і навчені до певного рівня інструменти машинного навчання. Він базується на алгоритмі нейронно-архітектурного пошуку Neural Architecture Search (NAS). Цей алгоритм не просто розпізнає зображення, він шукає в хмарі найбільш вдалу для вирішення конкретного завдання нейронну мережу та використовує її.
Auto ML об'єднує безліч інструментів, що дозволяє швидко натренувати нейронні мережі до потрібного рівня. Такі інструменти дозволяють миттєво скористатися наявними можливостями штучного інтелекту для вирішення щоденних бізнес-задач.
Ось такі завдання вирішує Google Auto ML:
За допомогою цієї готової системи можна спростити навчання своїх систем, навіть маючи обмежені знання в технологіях і машинному навчанні.
Хмарні продукти Google Auto ML включають три напрямки:
AutoML Vision включає в себе розпізнавання облич, міток, почерку, логотипу, модерацію контенту, оптичне розпізнавання символів та ін. Можна використовувати API або веб-інтерфейс, щоб автоматично вилучати інформацію з будь-якого типу зображення, на кшталт селфі або групи персонажів.
https://cdn-images-1.medium.com/
Розпізнавання обличчя включає в себе масу різних міток:
https://cdn-images-1.medium.com/
Однак при всіх можливостях продукту ви не можете змінити той факт, які об'єкти ідентифікують Google Vision, оскільки вони навчені на розпізнавання тільки конкретних груп зображень. І не навчені, наприклад, на розпізнавання пістолетних гільз.
https://cdn-images-1.medium.com/
Невідомо чи залишиться так і далі і чи є обмеження розпізнавання спеціальною задумкою виробників із метою суспільної безпеки. Або ж постійний розвиток системи дозволить із часом покрити абсолютно всі типи зображень.
Google також змінили сам принцип навчання нейромережі. Якщо раніше мережу навчали на сотнях фотографій, то тепер можна зняти відео. Воно сприймається так само як і фото – просто система сама ділить його на кадри – і отримуємо потрібний предмет з різних ракурсів і перспектив.
Найбільш незвичайний спосіб використання цього інструменту, який ми знайшли – для оцінки і відстеження змін в навколишньому середовищі. Класифікатори Google Cloud використовуються в техаському науково-дослідному інституті Гарту TAMUCC (Texas A & M – Корпус-Крісті) для визначення атрибутів у великих наборах даних зображень берегової лінії вздовж Мексиканської затоки.
.png "Google Cloud")
https://storage.googleapis.com/
Для багатьох вчених відстеження змін берегової лінії – ефективний засіб моніторингу наслідків зміни клімату. І призначений для користувача інтерфейс AutoML Vision допомагає дослідникам TAMUCC підвищити точність своїх моделей, спрощуючи побудову користувальницьких моделей класифікації зображень на основі власних даних зображень.
https://storage.googleapis.com/
Де ще може використовуватися: в агросекторі, як ми описували в статті «Як збирати в 2,5 рази більше врожаю за допомогою штучного інтелекту», в контролі якості в промисловості і навіть виявленні зникаючих видів. Можливо, у вашому бізнесі є сценарій використання, який може використовувати можливості класифікації зображень в AutoML Vision?
Звертайтеся, ми в Evergreen c задоволенням допоможемо втілити ваші задуми в життя.
AutoML Natural Language Toolkit – один із нових хмарних продуктів від Google, дозволяє класифікувати контент в конкретні категорії. Система здатна екстрагувати структури і значення тексту завдяки вмінням навченої машини.
Розпізнавання текстів включає аналіз синтаксису, класифікацію контенту, розпізнавання елементів, аналіз настроїв. Це дозволяє користувачеві витягувати значення текстів із імейлів, чатів або соціальних медіа за допомогою аналізу елементів і настроїв.
Для чого можна використовувати:
.jpg "Grammarly")
У практичному застосуванні аналіз текстів дозволяє впливати на суспільні настрої (виходячи з уже існуючих), економити час на пошук потрібної інформації, швидше обробляти великі масиви текстів і витягати з них суть.
На сьогодні Google AutoML Natural Language Toolkit – доступна послуга, яка дозволяє користувачеві створити навчену модель, яка може здійснювати необхідні дії з текстом.
Єдиний мінус більшості цих можливостей – поки що вони доступні і працюють в повній мірі тільки на англійській мові. Якщо вам необхідно створити подібний сервіс російською, українською або іншими мовами, звертайтеся – можливості Evergreen допоможуть реалізувати вашу задумку.
Один з напрямків хмарних продуктів Google Auto ML поряд з Auto ML Vision і Auto ML NLP. Набір інструментів Google AutoML Data Science Toolkit, створений для роботи з великими обсягами, даних швидко шириться і активно використовується в світі data science. Щоб продемонструвати яким саме чином працюють інструменти, візьмемо за зразок нейромережу, створену японським програмістом Кендзі Дої.
Завдання нейромережі: за фотографією рамена визначити в якому ресторані його приготували. Для людини вирішити цю задачу практично неможливо. Однак тут величезну роль грає властивість нейромережі знаходити непомітні для людського ока закономірності.
Кендзі Дої припустив, що страва буде трохи відрізнятися в залежності від багатьох факторів:
Для навчання нейромережі програміст використовував більше 48 тисяч фотографій рамена з 41 ресторану, зіставивши кожну фотографію з конкретним закладом. Готовий набір даних склав 1170 фотографій рамена щодо кожного раменного ресторану. Всього добу тренування нейромережі і точність розпізнавання склала 94,5%.
Таким же чином можна запрограмувати нейромережі на класифікацію будь-яких брендових товарів, як це зробив японський маркетплейс Mercari. Таким чином, використовуючи систему роботи в великими даними від Google Auto ML, вони домоглися точності розпізнавання продуктів 91,3%, що на 16% більше, ніж дозволяла зробити нейромережа, якою вони користувалися раніше.
Сподобалися описані тут інструменти? Хотіли б розробити щось схоже для своїх потреб або адаптувати вже існуючі під потреби вашої компанії? Звертайтеся, із задоволенням вам допоможемо.
