當前位置:
首頁 > 新聞 > 李飛飛、李佳宣布發布Cloud AutoML:AI技術「飛入尋常百姓家」

李飛飛、李佳宣布發布Cloud AutoML:AI技術「飛入尋常百姓家」

李飛飛一直倡導AI民主化,今日谷歌雲發布Cloud AutoML,希望幫助ML/AI專業知識和能力有限的企業也能夠使用AI技術構建定製化AI模型。目前已有一萬多家企業使用Cloud AutoML。

谷歌發布 Cloud AutoML,旨在幫助更多公司構建高質量定製化模型。李飛飛和李佳在相關博客中稱:「Cloud AutoML 將幫助 AI 專家更加高產,不斷拓展 AI 的新領域,幫助經驗不足的工程師構建夢寐以求的強大 AI 系統。」

李飛飛、李佳宣布發布Cloud AutoML:AI技術「飛入尋常百姓家」

李佳在朋友圈中稱:


今天我們 CloudAI 團隊推出了 Cloud AutoML, 自動生成 ML 模型的技術。這是飛飛和我加入谷歌雲以來的一個里程碑。迄今為止,我們團隊推出了 10 多個 AI 產品,超過一萬家公司在使用我們的產品。感恩團隊的辛勤工作推動 AI 產品和技術發展!Cloud AutoML 是我們在推廣 AI 技術的新嘗試,為沒有 ML 專業背景的公司量身打造。AI 賦能,願更多的人能被 AI 惠及!

李飛飛和李佳發布博客介紹 AutoML,機器之心對博客內容編譯如下:

一年前我們加入 Google Cloud 時,就致力於 AI 民主化。我們的目標是降低入門門檻,使儘可能多的開發者、研究者和企業能夠使用 AI。

谷歌雲 AI 團隊一直朝著這個目標前進,也做出了一些成績。2017 年,我們發布 Google Cloud Machine Learning Engine,幫助具備機器學習專業知識的開發者輕鬆構建可在任意類型和規模的數據上運行的 ML 模型。我們展示了如何在預訓練模型上構建現代機器學習服務,包括視覺、語音、NLP、翻譯和 Dialogflow API,為商業應用帶來更大的規模和更快的速度。我們的數據科學家和 ML 研究者社區 Kaggle 不斷發展,現已有超過 100 萬成員。今天,超過一萬家企業在使用谷歌雲 AI 服務,包括 Box、Rolls Royce Marine、Kewpie 和 Ocado。

但是我們還可以做得更多。目前,只有少數企業具備應用 ML 和 AI 進展的人才和財力。能夠創建先進機器學習模型的人非常有限。而且即使你的公司里有 ML/AI 工程師,你仍然必須管控構建定製化 ML 模型所需的時間和複雜流程。儘管谷歌提供可用於多項具體任務的 API,提供預訓練機器學習模型,但要實現「AI 人人可用」仍然有很長的路要走。

為了縮小差距,使每家公司都可以使用 AI,我們發布 Cloud AutoML。Cloud AutoML 使用谷歌的 learning2learn 和遷移學習等先進技術,幫助 ML 專業知識有限的公司構建高質量定製化模型。我們相信 Cloud AutoML 將幫助 AI 專家更加高產,不斷拓展 AI 的新領域,幫助經驗不足的工程師構建夢寐以求的強大 AI 系統。

我們發布的第一個 Cloud AutoML 是 Cloud AutoML Vision,幫助更快、更容易地構建圖像識別 ML 模型。可拖放的界面使上傳圖像、訓練管理模型,以及直接在谷歌雲上部署訓練模型變得更加容易。使用 Cloud AutoML Vision 分類 ImageNet 和 CIFAR 等流行的公開數據集的實踐表明它比普通的 ML API 準確率更高,誤分類更少。

Cloud AutoML Vision 還具備以下特性:

提高準確率:Cloud AutoML Vision 基於谷歌的先進圖像識別方法構建,包括遷移學習和神經架構搜索技術。這意味著即使你的公司機器學習能力不足,也可以得到準確率更高的模型。

生產就緒模型的周轉時間更快:在 Cloud AutoML 的幫助下,你可以在數分鐘內創建簡單的模型來試運行自己的 AI 應用,或者在一天時間內構建一個完整的生產就緒模型。

易用性:AutoML Vision 提供一個簡單的用戶界面,你可以指定數據,然後將其轉換成滿足個人需求的自定義高質量模型。

「Urban Outfitters 一直在尋找提升客戶購物體驗的新方法,」URBN 數據科學家 Alan Rosenwinkel 說,「創建和保持一套完整的產品屬性對向客戶提供相關產品的推薦、準確的搜索結果以及有效的產品過濾器至關重要;然而手動創建產品屬性是很困難和費時的。為了解決這個問題,我們的團隊評估了 Cloud AutoML,通過識別細微的產品特徵,例如圖案和領口風格,以自動化產品屬性加工。Cloud AutoML 具有很大的潛力,可以幫助我們的客戶發現心儀的產品,獲得更好的產品推薦和搜索體驗。」

迪士尼消費產品和互動媒體 CTO 和 SVP Mike White 說:「Cloud AutoML 可以幫助我們構建模型,用迪士尼的特徵、產品類別和顏色標註我們的產品。這些標註被整合到我們的搜索引擎中,在 shopDisney 上獲得了更好的用戶體驗,包括相關搜索結果、結果發現和產品推薦等方面。」

來自 Zoological Society of London(ZSL)的 Sophie Maxwell 稱:「ZSL 是一個國際環保組織,致力於全世界的動物和生態環境保護,其中最重要的環節是追蹤野生動物的數量,以了解它們的分布和人類對這些物種的影響。為了達到這個目的,ZSL 在野外部署了很多相機陷阱,在受到熱或移動觸發的時候拍攝經過的動物。這些設備捕捉到的幾百萬張照片需要進行手動分析和用相關物種標註,例如大象、獅子和長頸鹿等,這是一項勞力密集和代價昂貴的工作。ZSL 的 Conservation Technology Unit 和谷歌的 Cloud ML 團隊有過密切的協作,以幫助發展這項激動人心的技術。ZSL 的目的是將圖像標註自動化,以降低成本,進行更廣泛的部署,從而更加深刻地理解如何有效地保護全世界的野生動物。」

如果你有興趣嘗試 AutoML Vision,可以在這個網站上申請訪問授權:https://services.google.com/fb/forms/cloudautomlalphaprogram/。

AutoML Vision 是我們和 Google Brain 以及其它谷歌 AI 團隊密切協作的結果,並且是多個開發中的 Cloud AutoML 產品之一。雖然在使 AI 更加普及的道路上,我們還處於起步階段,但目前使用 Cloud AI 產品的客戶數量已經超過了一萬,這令我們深受鼓舞。我們希望 Cloud AutoML 的發布有助於發現 AI 的更多商業用途。

參考:

  • Learning Transferable Architectures for Scalable Image Recognition (https://arxiv.org/pdf/1707.07012.pdf), Barret Zoph, Vijay Vasudevan, Jonathon Shlens, Quoc V. Le. Arxiv, 2017.

  • Progressive Neural Architecture Search (https://arxiv.org/abs/1712.00559), Chenxi Liu, Barret Zoph, Jonathon Shlens, Wei Hua, Li-Jia Li, Li Fei-Fei, Alan Yuille, Jonathan Huang, Kevin Murphy, Arxiv, 2017.

  • Large-Scale Evolution of Imfiers (https://arxiv.org/abs/1703.01041), Esteban Real, Sherry Moore, Andrew Selle, Saurabh Saxena, Yutaka Leon Suematsu, Quoc Le, Alex Kurakin. International Conference on Machine Learning, 2017.

  • Neural Architecture Search with Reinforcement Learning (https://arxiv.org/abs/1611.01578), Barret Zoph, Quoc V. Le. International Conference on Learning Representations, 2017.

  • Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning (https://arxiv.org/abs/1602.07261), Christian Szegedy, Sergey Ioffe, Vincent Vanhoucke, Alex Alemi. AAAI, 2017.

  • Bayesian Optimization for a Better Dessert (https://static.googleusercontent.com/media/research.google.com/en//pubs/archive/46507.pdf), Benjamin Solnik, Daniel Golovin (https://research.google.com/pubs/DanielGolovin.html),Greg Kochanski (https://research.google.com/pubs/105545.html), John Elliot Karro (https://research.google.com/pubs/105483.html), Subhodeep Moitra (https://research.google.com/pubs/SubhodeepMoitra.html), D. Sculley (https://research.google.com/pubs/author38217.html). NIPS, Workshop on Bayesian Optimization, 2017.

喜歡這篇文章嗎?立刻分享出去讓更多人知道吧!

本站內容充實豐富,博大精深,小編精選每日熱門資訊,隨時更新,點擊「搶先收到最新資訊」瀏覽吧!


請您繼續閱讀更多來自 機器之心 的精彩文章:

TAG:機器之心 |