Google 自動機械學習 人工智能普及在望

Google 自動機械學習 人工智能普及在望

人工智能成熱話,但真正懂得運用的人不多。 Google 推出自動化機械學習雲端服務( Cloud AutoML ),自己訓練自己的機械學習模型,就算不懂程式碼、機械學習,亦都能擁有人工智能技術,可謂改變業界遊戲玩法的技術。

機械學習需要設計模型,輸入大量數據訓練,成熟後方可應用。過程需要專業知識建立模型、處理數據等。 Google 的 Cloud AutoML 簡化步驟,讓企業可在有限的人工智能技術和編程能力下,建立可自訂的機械學習模型。

AutoML 由兩個神經網絡組成:控制器神經網絡( Controller Neural Networks )和子網絡( Child Neural Networks ),控制器產生子模型架構,子模型架構透過特定任務訓練和評估模型的結果,還會將結果回饋給控制器,作下次循環的修改參考。 AutoML 不斷重複執行設計新架構、評估、回饋、學習,經過上百次、上千次循環,所得的最終結果就是準確度大幅提升的機械學習模型。

Google 的 Cloud AutoML 涉及 learning2learn 功能自動選擇適合的模型,配合超級參數調整技術(Hyperparameter tuning technologies),只要輸入基本的數據,能夠用於上千次的循環運算。

AutoML 將會推出一系列服務,先有自動標籤圖片的 AutoML Vision 。用戶上傳圖片訓練,能建立需要的識別圖片模型。Google 建議每個標籤最少上傳 100 張圖片作訓練。而原有 Vision API 則識別一些常見物件,如標誌、地標、人臉等。
該公司雲端人工智能與機械學習研發負責人李佳透露,稍後陸續推出語音識別、翻譯、自然語言處理等服務。

Google 雲端人工智能與機械學習首席科學家李飛飛在去年的 Google Next 大會上提出,要令人工智能平民化。而是次推出的 Cloud AutoML 服務則是這目標的重要一步。她指出,全球開發人員約 2,100 萬,但數據科學家僅 100 萬人,而能善用人工智能,或從中獲利的企業小之又小。

建立機械學習模型花費大量時間,過程又複雜,即使擁有人才和數據,也不容易訓練出成熟模型。 Cloud AutoML 為技術的突破,例如醫療應用更見重要,如罕見疾病往往缺乏臨床數據,無法訓練模型,而 AutoML 能夠用較少數據推敲出預測模型。中小企可藉此技術按本身業務需要建立自訂機械學習推測模型。

Cloud AutoML 先推出圖片識別服務。

Cloud AutoML 先推出圖片識別服務。

Google 建議每個物件標籤上傳最少 100 張圖片作訓練。

Google 建議每個物件標籤上傳最少 100 張圖片作訓練。

李飛飛指出,Cloud AutoML 突破技術和人才限制,毋須專業知識亦可建立機械學習模型,中小企最受惠。

李飛飛指出,Cloud AutoML 突破技術和人才限制,毋須專業知識亦可建立機械學習模型,中小企最受惠。